Deep Learning Scientist

Sind Sie auf der Suche nach einem innovativen DeepTech-Startup, das sich auf fortschrittliche KI-Systeme, agentenbasierte Architekturen und wissensgesteuerte Intelligenz spezialisiert hat? Unsere Mission ist es, die Art und Weise zu revolutionieren, wie Daten im Bereich der Cybersicherheit analysiert, verbunden und interpretiert werden, indem wir modernste Deep Learning-, KI-Agenten- und Wissensgraph-Technologien kombinieren. Als Pionier in diesem Bereich suchen wir hochqualifizierte und leidenschaftliche Deep Learning / KI-Wissenschaftler, die unser Team verstärken und zu unseren laufenden Forschungs- und Entwicklungsbemühungen beitragen.

Als Deep Learning Scientist mit Fokus auf KI-Agenten und wissensbasierten Systemen spielen Sie eine Schlüsselrolle bei der Entwicklung und Implementierung intelligenter Architekturen, die große Sprachmodelle, autonome Agenten und strukturierte Wissensdarstellungen kombinieren. Sie arbeiten eng mit einem Team talentierter Forscher, Ingenieure und Experten für Cybersicherheit zusammen, um KI-Systeme zu entwerfen, zu trainieren und zu optimieren, die in der Lage sind, über große Mengen unstrukturierter und strukturierter Daten zu schlussfolgern. Diese Rolle bietet eine spannende Gelegenheit, zu bahnbrechender Forschung beizutragen, reale Anwendungen zu beeinflussen und die Zukunft der KI-gesteuerten Cybersicherheitsintelligenz zu gestalten.

Aufgaben

• Forschung und Entwicklung: Durchführung von Spitzenforschung in den Bereichen Deep Learning, agentenbasierte Systeme und wissensverstärkte KI. Erforschen Sie neuartige Architekturen wie transformerbasierte Modelle (z.B. BERT, GPT), retrieval-augmented generation (RAG), Multi-Agenten-Systeme und neuro-symbolische Ansätze zur Verbesserung von Schlussfolgerungs-, Planungs- und Entscheidungsfähigkeiten.
• Agenten- und Systemdesign: Entwurf und Implementierung von KI-Agenten, die über komplexe Problembereiche zusammenarbeiten, planen und schlussfolgern. Entwicklung von Architekturen, die LLMs mit Werkzeugen, Gedächtnis, Feedback-Schleifen und strukturierten Wissensquellen integrieren.
• Wissensgraphen und Repräsentationslernen: Entwicklung und Anwendung von Techniken zum Aufbau, zur Pflege und zur Nutzung von Wissensgraphen, Ontologien und semantischen Darstellungen. Kombination von symbolischem Wissen mit gelernten Darstellungen zur Verbesserung der Erklärbarkeit, Konsistenz und Schlussfolgerungsleistung.
• Datenvorverarbeitung und Merkmalsengineering: Entwicklung fortschrittlicher Techniken zur Vorverarbeitung und Darstellung sowohl unstrukturierter Texte als auch strukturierter Daten, einschließlich Tokenisierung, Einbettungen, Entitätsverlinkung, Beziehungsextraktion und graphbasierter Darstellungen.
• Modelltraining und -bewertung: Training und Feinabstimmung von Deep Learning-Modellen unter Verwendung von Techniken wie Transferlernen, selbstüberwachtem Lernen, In-Context-Lernen und Verstärkungslernen für Agenten. Bewertung der Systemleistung anhand geeigneter Metriken und Vorschlag von Verbesserungen für Robustheit und Skalierbarkeit.
• Kollaborative Forschung: Enge Zusammenarbeit mit interdisziplinären Teams, einschließlich Datenwissenschaftlern, Ingenieuren und Cybersicherheitsspezialisten, um reale Anforderungen zu verstehen, zur Projektplanung beizutragen und Forschung in produktionsreife Systeme zu übersetzen.
• Dokumentation und Berichterstattung: Dokumentation von Forschungsergebnissen, Systemarchitekturen und experimentellen Ergebnissen klar und prägnant. Erstellung technischer Dokumentationen, interner Berichte und Präsentationen für technische und nicht-technische Zielgruppen.

Anforderungen

• Ph.D. in Informatik, Elektrotechnik oder einem verwandten Bereich mit Schwerpunkt auf maschinellem Lernen, Deep Learning, KI-Systemen oder NLP. Außergewöhnliche Kandidaten mit einem Master-Abschluss und starker praktischer Erfahrung werden ebenfalls berücksichtigt.
• Starkes theoretisches und praktisches Wissen über Deep Learning-Modelle und -Architekturen, insbesondere transformerbasierte Modelle und moderne LLM-Ökosysteme.
• Erfahrung mit KI-Agenten, Multi-Agenten-Systemen, werkzeugunterstützten LLMs oder autonomen Schlusssystemen ist sehr wünschenswert.
• Wissensgraph- und semantische Technologien: Erfahrung mit Wissensgraphen, Ontologien, Entitäts-/Beziehungsextraktion, Grapheneinbettungen oder hybriden neuro-symbolischen Ansätzen.
• Starke mathematische Grundlagen: Solides Verständnis von linearer Algebra, Wahrscheinlichkeitstheorie, Statistik und Optimierungsmethoden.
• Programmierkenntnisse: Beherrschung von Python und gängigen Deep Learning-Frameworks wie PyTorch, TensorFlow, Langchain, vLLM.
• Sie arbeiten gerne in einem schnell wachsenden Unternehmen.
• Sie scheuen sich nicht, Dinge in Frage zu stellen und bestehende Annahmen herauszufordern.

Vorteile

• Wettbewerbsfähiges Gehalt
• Exzellente Arbeitsbedingungen und flexible Arbeitszeiten
• Flexible Mischung aus Homeoffice und Büroarbeit (Leipzig Zentrum)
• Workation ist möglich
• Nutzung modernster Technologien mit kreativer Freiheit