42dot je spoločnosť zaoberajúca sa umelou inteligenciou v oblasti mobility, ktorá pôsobí na pomedzí automobilových technológií a logistiky. Zameriava sa na technológie vozidiel definovaných softvérom, autonómne elektrické vozidlá a softvérovú a dátovú infraštruktúru potrebnú na škálovateľnú mestskú dopravu. Spoločnosť vyvíja softvér pre vozidlá, platformy pre údaje z vozových parkov a modely umelej inteligencie na vnímanie okolitého prostredia a riadenie, ako aj TAP!, svoj operačný systém mobility na nasadzovanie autonómnych služieb. Prostredníctvom výskumu a spolupráce v oblasti elektroniky vozidiel a architektúr založených predovšetkým na softvéri sa 42dot usiluje o to, aby boli systémy mobility autonómnejšie, prispôsobivejšie a jednoduchšie na prevádzku.
Inžinier posilňovacieho učenia pre autonómne riadenie
Vyvíjajte a optimalizujte politiky posilňovacieho učenia pre modely autonómneho riadenia spoločnosti 42dot. Budujte simulácie self-play, simulácie priebehu scenárov a bezpečnostné hodnotenia na zlepšenie jazdných schopností.
Popis
- Navrhujte rozhrania pozorovaní a akcií medzi politikami VLA a simulátormi a vyvíjajte následné trénovanie posilňovacím učením v uzavretej slučke pomocou metód ako GRPO a PPO.
- Budujte trénovanie self-play vo vektorových simulátoroch jazdy alebo simulátoroch založených na obsadenosti, v ktorých vozidlo agenta a účastníci premávky interagujú s aktuálnymi politikami a predchádzajúcimi kontrolnými bodmi.
- Vytvárajte priebehy kandidátnych akcií a trajektórií pre možné budúce scenáre a následne vyberajte akcie na základe očakávaného výnosu a bezpečnostných obmedzení.
- Hodnoťte bezpečnosť a schopnosť zovšeobecňovania politík pomocou benchmarkov s uzavretou slučkou.
- Analyzujte zneužívanie odmien a skreslenie simulátora.
- Veďte perspektívne nápady v oblasti posilňovacieho učenia od návrhu cez rozsiahle trénovanie a dôkladné hodnotenie až po integráciu do modelov riadenia vozidla.
Požiadavky
- Aspoň tri roky skúseností so strojovým učením, posilňovacím učením alebo robotikou, prípadne zodpovedajúce schopnosti v oblasti výskumu a vývoja.
- Skúsenosti s implementáciou algoritmov učenia politík a realizáciou trénovania a hodnotenia v jazyku Python a s knižnicou PyTorch.
- Pochopenie optimalizácie politík, návrhu odmien a priraďovania zásluh, ako aj schopnosť navrhovať experimenty s posilňovacím učením.
- Skúsenosti s trénovaním politík v simulácii alebo v prostrediach s viacerými agentmi a overovaním zlepšení v porovnaní so základnými metódami.
- Znalosť angličtiny na úrovni umožňujúcej diskutovať o technických témach a spolupracovať so zahraničnými pobočkami.
- Skúsenosti s vývojom systémov self-play, viacagentového posilňovacieho učenia alebo trénovania populácie politík (výhodou).
- Skúsenosti s použitím metód následného trénovania posilňovacím učením, ako sú GRPO alebo PPO, na politiky VLA alebo generatívne politiky (výhodou).
- Skúsenosti s trénovaním politík vo vektorových simulátoroch jazdy alebo simulátoroch založených na obsadenosti, prípadne s vývojom plánovania priebehov založeného na svetových modeloch (výhodou).
- Skúsenosti s rozsiahlymi paralelnými simuláciami priebehu, distribuovaným trénovaním alebo validáciou sim-to-real (výhodou).
Benefity
- Prednosť majú veteráni a osoby oprávnené na ochranu zamestnania podľa príslušných právnych predpisov.
- Prednosť majú uchádzači s registrovaným preukazom osoby so zdravotným postihnutím.
- Po skončení pohovorov sa môžu so súhlasom uchádzača uskutočniť referenčné overenia.
- Môže sa uplatňovať trojmesačná skúšobná doba.