Machine Learning Engineer

Wind River ist ein globaler Marktführer in der Bereitstellung von Software für mission-critical intelligente Systeme. Seit mehr als vier Jahrzehnten ist das Unternehmen Innovator und Pionier und betreibt Milliarden von Systemen, die die höchsten Sicherheits-, Sicherheits- und Zuverlässigkeitsanforderungen erfüllen.

Wind River hilft Kunden in den Bereichen Automobil, Luft- und Raumfahrt, Verteidigung, Industrie, Medizin und Telekommunikation, komplexe technologische Herausforderungen auf ihrem Weg zur neuen intelligenten Maschinenwirtschaft zu lösen. Die Software des Unternehmens treibt Generation um Generation der sichersten und sichersten Systeme der Welt an.

Als Machine Learning Engineer in unserem Team werden Sie:

• Maschinenlern- und Deep-Learning-Modelle für eine Vielzahl von Computer Vision-Aufgaben entwickeln, trainieren, evaluieren und optimieren, einschließlich menschlicher Körperpose-Schätzung, volumetrischer Modellierung, Objekterkennung, semantischer Segmentierung und Klassifizierung.
• Klassische und moderne Computer Vision-Algorithmen wie Merkmalsdetektion/-extraktion, Tiefenabgleich, 3D-Szenenrekonstruktion und neuartige Ansichts-Generierung implementieren.
• Starke Python-Entwicklungsfähigkeiten anwenden, um qualitativ hochwertigen, wartbaren und effizienten Code für ML-Trainingspipelines, Datenverarbeitung, Visualisierung und Prototyping zu erstellen.
• Mit 3D-Datenstrukturen wie Punktwolken, Netzen und volumetrischen Darstellungen arbeiten; Werkzeuge für die Punktwolkenberechnung, Registrierung, Transformation und Visualisierung entwickeln.
• Mesh-Anpassung und geometriebasierte Modellintegration in die Verarbeitungs-Pipelines durchführen.
• Neue algorithmische Konzepte, ML-Modelle oder geometriebasierte Methoden schnell prototypisieren, um die Machbarkeit zu bewerten, Benchmarks durchzuführen oder Kundenpräsentationen zu unterstützen.
• Datenkampagnen unterstützen, um qualitativ hochwertige Aufnahmen sicherzustellen und zu validieren, dass die gesammelten Daten die Anforderungen an das ML-Training und die Evaluierung erfüllen.
• Zur Produktisierung der entwickelten Algorithmen beitragen, indem sie helfen, diese in automatisierte Pipelines zu integrieren (z.B. Dockerisierung, CI/CD-Workflows, reproduzierbare ML-Umgebungen).
• Eng mit R&D-Ingenieuren, Spezialisten für 3D-Rekonstruktion, Cloud-Pipeline-Ingenieuren und Datenteams zusammenarbeiten, um eine nahtlose Integration der ML-Algorithmen im End-to-End-System sicherzustellen.
• Algorithmen, Experimente, Designentscheidungen und technische Erkenntnisse gründlich dokumentieren, um das Wissen des Teams und die zukünftige Entwicklung zu unterstützen.

Wichtige Fähigkeiten und Kompetenzen für den Erfolg in dieser Rolle sind:

• Master-Abschluss oder PhD in Computer Vision, Machine Learning, Robotik, Informatik oder einem verwandten Bereich.
• Starke Erfahrung in der Schulung und Bewertung von ML-Modellen, idealerweise in Aufgaben wie Pose-Schätzung, Segmentierung, Objekterkennung oder 3D/volumetrischer Modellierung.
• Solider Hintergrund in klassischer Computer Vision, Photogrammetrie und Multi-View-Geometrie.
• Starke Python-Programmierkenntnisse und Erfahrung mit ML-Frameworks wie PyTorch oder TensorFlow.
• Erfahrung mit 3D-Datenformaten (Punktwolken, Netze) und entsprechenden Verarbeitungs-/Visualisierungstools.
• Kenntnisse über Tiefenschätzalgorithmen (Stereo, Multi-View, geometrisch oder lernbasiert).
• Starke analytische Fähigkeiten und die Fähigkeit, unabhängig zu Experimenten und Modellverbesserungen beizutragen.
• Exzellente Kommunikationsfähigkeiten, starke Teammentalität und Bereitschaft, funktionsübergreifende Bemühungen zu unterstützen.
• Fließend in Englisch.

Bevorzugte Qualifikationen:

• Erfahrung mit C++ für hochleistungsfähige algorithmische Implementierungen.
• Vertrautheit mit Methoden zur Generierung neuer Ansichten, differenzierbarem Rendering oder neuronalen Rendering-Techniken (z.B. NeRF-Stilansätze).
• Verständnis von Docker, CI/CD-Pipelines und Automatisierung für ML-Workflows.
• Erfahrung mit Pose-Schätzdatensätzen, 3D-Menschenmodellen oder mesh-basiertem Lernen.
• Frühere Beteiligung an Datensammlungsbemühungen oder realen ML-Experimentierumgebungen.
• Hintergrund in Signalverarbeitung, Sensorfusion oder geometriebasierten ML-Techniken.