Senior ML Privacy Engineer - Federated Drug Discovery

Über Apheris

Bei Apheris betreiben wir föderierte Datennetzwerke in den Lebenswissenschaften, um das Datenengpassproblem beim Training hochleistungsfähiger Machine-Learning-Modelle zu lösen. Öffentlich verfügbare molekulare Datensätze sind unzureichend, um Modelle zu trainieren, die den realen Anforderungen der Industrie gerecht werden. Unser Produkt ermöglicht es Biopharma-Organisationen, qualitativ hochwertigere Modelle auf ihren kombinierten Daten kollaborativ zu trainieren, während die Datenhoheit, das geistige Eigentum und die Governance bei den ursprünglichen Verwahrern bleiben. Unsere föderierte Computerinfrastruktur ist mit Datenschutz und Kontrolle als erstklassige Anliegen konzipiert.

Über die Rolle

Da wir uns auf strukturelle Biologie und ADMET als Kernbereiche unserer Arzneimittelforschung konzentrieren, suchen wir einen datenschutzorientierten Senior ML Engineer, der die technische Verantwortung für die Bewertung und Minderung von Datenschutzrisiken innerhalb unserer föderierten Modellierungsinitiativen übernimmt. Dies ist eine praktische, wirkungsvolle Rolle, die sich darauf konzentriert, zu verstehen, wie reale Arzneimittelentdeckungsmodelle in der Praxis funktionieren, wo Datenschutzrisiken entstehen und empirische Beweise zu generieren, um diese Risiken zu bewerten und zu mindern.

Sie werden innerhalb unseres AI Applications Engineering-Teams arbeiten und als technische Autorität für Datenschutz im Bereich Machine Learning in der Arzneimittelentdeckung fungieren. Ein wichtiger Teil der Rolle besteht darin, die Nutzung von Modellen in der realen Welt mit konkreten Bedrohungsmodellen und experimentellen Designs zu verknüpfen und die daraus resultierenden Beweise und Schlussfolgerungen klar an externe Partner, Konsortiumsmitglieder und interne Führungskräfte zu kommunizieren.

Was Sie tun werden

• Praktische Datenschutzrisikexperimente an realen Arzneimittelentdeckungsmodellen entwerfen und durchführen, theoretische Bedrohungen mit realistischen Angriffsflächen verknüpfen.
• Praktisch mit molekularen und strukturellen ML-Pipelines (z.B. Protein-Ligand-Modelle, Co-Folding-Architekturen, ADMET / QSAR-Daten) arbeiten, um zu identifizieren, wie Modellierungsentscheidungen, Darstellungen und Unsicherheitsanalysen sensible Signale offenlegen können.
• Experimentelle Werkzeuge für die Datenschutzanalyse entwickeln und anpassen, einschließlich Unsicherheitsproben, generativen Rekonstruktionsprüfungen und Verteilungsl Leakage-Experimenten.
• Technisch glaubwürdige Datenschutzbeweise durch praktische Modellierung und Experimente generieren und diese Beweise in klare, informative Berichte und Präsentationen für Konsortiums- und Kundenentscheidungsträger umwandeln.
• Empirische Ergebnisse in klare, technisch glaubwürdige Datenschutznarrative für Kunden, interne Stakeholder und Partnerorganisationen übersetzen.
• Eng mit ML-Ingenieuren, wissenschaftlichen Teams und anderen Datenschutzstakeholdern zusammenarbeiten, um Minderungsstrategien zu entwerfen, die auf dem tatsächlichen Modellverhalten und den Implementierungsbeschränkungen basieren.

Was wir von Ihnen erwarten

• Bis Monat 3: Ein Arbeitsverständnis des Produkts von Apheris, der föderierten Trainingskonfiguration und der wichtigsten Anwendungsfälle in den Lebenswissenschaften entwickeln.
• Mindestens eine bestehende Modellierungspipeline reproduzieren und erweitern, um eine Basislinie für die Datenschutz- und Angriffsflächenbewertung zu etablieren.
• Zur Datenschutzanalyse für ein oder mehrere aktive föderierte Arzneimittelentdeckungsprogramme beitragen, während sie von der Einrichtung in den Live-Betrieb übergehen.
• Bis Monat 6: Praktische Datenschutzexperimente an aktiven föderierten Modellierungsworkflows (z.B. Co-Folding, Binding, Screening, ADMET) entwerfen und durchführen, wobei der Fokus auf realistischen Leckage- und Angriffsszenarien liegt.
• Quantitative und qualitative Beweise generieren und diese in klare Berichte und Präsentationen für externe und interne Stakeholder synthetisieren.
• Als technisch glaubwürdiger Datenschutzpartner in aktiven Programmdiskussionen über wissenschaftliche, technische und Governance-Zuhörer agieren.
• Bis Monat 12: Die Bewertung von Datenschutzrisiken und die Generierung von Beweisen über mehrere Fälle von föderierten Arzneimittelentdeckungsnetzwerken übernehmen, während die Programme skalieren und sich weiterentwickeln.
• Datenschutzrisiken identifizieren und bewerten, die nur unter realen Betriebsbedingungen auftreten, und fundierte Minderungsstrategien vorschlagen.
• Organisatorische Standards für Datenschutzexperimente, Interpretation und Kommunikation in langfristigen Arzneimittelentdeckungsnetzwerken gestalten.

Sie sollten sich bewerben, wenn

• Sie umfassende praktische Erfahrung im Aufbau und in der Modifikation von Machine-Learning-Modellen in der Arzneimittelentdeckung haben, insbesondere in der strukturbezogenen Modellierung und im Co-Folding, mit Erfahrungen in angrenzenden Bereichen wie ADMET.
• Sie praktische Erfahrung mit Datenschutz für Machine Learning und/oder föderiertes Lernen haben, einschließlich der Argumentation über Datenschutzrisiken, Modellverhalten und Governance in verteilten oder multiparty Umgebungen.
• Sie sich wohlfühlen, empirische Datenschutzexperimente zu entwerfen und aus quantitativen und qualitativen Beweisen schlüssige Schlussfolgerungen zu ziehen.
• Sie komplexe technische Risiken klar und glaubwürdig an hochrangige wissenschaftliche, technische und Führungskräfte kommunizieren können.
• Sie sich wohlfühlen, mehrdeutige, bereichsübergreifende Probleme von Anfang bis Ende zu übernehmen und sowohl die Richtung festzulegen als auch auszuführen.

Schön zu haben

• Sie haben bedeutende technische Arbeiten im Bereich Machine Learning oder computergestützte Biologie veröffentlicht oder geleitet, mit Beiträgen in Foren wie NeurIPS, ICML, ICLR, Nature Methods, Bioinformatics oder gleichwertigen Forschungsoutputs der Industrie.
• Sie haben in Industrie-Konsortien oder Multi-Organisationen-Kooperationen gearbeitet und verstehen die technischen, politischen und Governance-Dynamiken, die sie auferlegen.
• Sie haben dazu beigetragen, Datenschutz- oder Risikopositionen in kunden-, partner- oder regulatorischen Kontexten zu definieren, zu verteidigen oder zu standardisieren.
• Sie haben als technische Autorität fungiert, Standards, Rahmenbedingungen oder langfristige Richtungen geprägt, anstatt ausschließlich gegen ein vordefiniertes Briefing zu arbeiten.

Was wir Ihnen bieten

• Wettbewerbsfähige Vergütung in der Branche, einschließlich virtueller Aktienoptionen in der Frühphase.
• Remote-first-Arbeit – arbeiten Sie dort, wo Sie am besten arbeiten, sei es von zu Hause oder von einem Co-Working-Space in Ihrer Nähe.
• Eine großartige Palette von Vorteilen, einschließlich eines Wohlfühlbudgets, psychischer Gesundheitsleistungen, eines Budgets für das Arbeiten von zu Hause, eines Co-Working-Stipendiums und eines Budgets für Lernen und Entwicklung.
• Generöse Urlaubsregelung.
• Bürotage in unserem Berliner Hauptsitz oder an einem anderen europäischen Standort (3x im Jahr).
• Ein lustiges, diverses Team von mission-driven Individuen mit Erfahrung in führenden Organisationen und dem Antrieb, KI und ML zum Guten zu nutzen.
• Hohe Auswirkungen, signifikante Verantwortung und die Möglichkeit, zu gestalten, wie Apheris seine Menschen und Kultur in der nächsten Wachstumsphase skaliert.

Logistik

Unser Einstellungsprozess ist in drei Phasen unterteilt:

• Erste Sichtung: Wenn Ihre Bewerbung unseren Anforderungen entspricht, laden wir Sie zu einem ersten Videoanruf ein, um die Passung zu erkunden. In diesem 30-minütigen Interview lernen Sie uns und die Rolle kennen. Der Interviewer wird an Ihren relevanten Erfahrungen und Fähigkeiten interessiert sein und alle Fragen zum Unternehmen und zur Rolle beantworten, die Sie möglicherweise haben.
• Take-home-Übung: Sie werden gebeten, eine kurze, offline Programmierbewertung durchzuführen und eine Fallstudie vorzubereiten, die in der nächsten Phase präsentiert werden soll.
• Präsentation & Deep Dive: In dieser Phase bitten wir Sie, eine kurze Präsentation zu Ihrem Fallstudienthema zu halten. Fachexperten aus unserem Team werden Ihre Fähigkeiten und Kenntnisse, die für die Rolle erforderlich sind, bewerten, indem sie Sie nach bedeutenden Erfahrungen oder Ihren Lösungen für spezifische Szenarien im Einklang mit der Rolle, die wir besetzen, fragen.
• Letztes Interview: Schließlich laden wir Sie ein, unsere Gründer zu treffen, über unsere Kultur zu sprechen und zukünftige Kollegen vor Ort kennenzulernen.