Applied Machine Learning Engineer in Zürich

Stellen Sie sich vor, Sie arbeiten an einem präzisen inertialen Sensor, bei dem selbst nach Kontrolle und konventioneller Kompensation ein kleiner Restfehler bleibt. Wir möchten herausfinden, wie viel von diesem Fehler tatsächlich vorhergesagt und mit maschinellem Lernen entfernt werden kann.

Als Machine Learning Engineer sind Sie für diese Untersuchung verantwortlich. Sie werden Modelle zur gelernten Kompensation erstellen, diese mit einer starken klassischen Basislinie vergleichen und feststellen, wo ML messbaren Wert liefert und wo nicht. Dies ist eine Hypothese, die rigoros getestet werden muss, nicht eine vorgegebene Lösung.

Bei Destinus revolutionieren wir die Verteidigungsindustrie mit modernsten unbemannten Luftfahrzeugen (UAVs). Unsere innovativen Technologien sind darauf ausgelegt, die einzigartigen Anforderungen moderner Verteidigungsoperationen zu erfüllen und unvergleichliche Geschwindigkeit, Präzision und Kosteneffizienz zu bieten. Destinus arbeitet mit Regierungsbehörden und Verteidigungsorganisationen weltweit zusammen, um fortschrittliche Lösungen für mission-kritische Operationen bereitzustellen und eine neue Ära der Effizienz und technologischen Überlegenheit einzuleiten. Schließen Sie sich uns an, um die Zukunft der Verteidigung mit bahnbrechenden Luft- und Raumfahrtinnovationen zu gestalten.

Was Sie tun werden:

• ML-Modelle entwickeln, die den Restfehler des Sensors anhand beobachtbarer Signale wie Temperatur, thermische Gradienten, Quadraturamplitude, Steuersignale und Sensordiagnosen vorhersagen.
• Strenge Validierungsprotokolle über unbekannte thermische Profile und physische Sensoreinheiten definieren, um echte Generalisierung zu demonstrieren.
• Gelehrte Ansätze gegen eine abgestimmte klassische Basislinie benchmarken, die thermische Kompensation pro Einheit und adaptive Kalman-Filterung kombiniert.
• Die Beobachtungsgrenze quantifizieren und identifizieren, welche Fehler aus den verfügbaren Messungen vorhergesagt werden können und welche grundsätzlich außerhalb des Modells liegen.
• Modelle offline mit Sensorkarakterisierungsdaten trainieren und bewerten, um bedeutungsvolle physikalische Korrelationen von Artefakten und Überanpassung zu trennen.
• Mit FPGA- und DSP-Ingenieuren zusammenarbeiten, um erfolgreiche Ansätze in leichtgewichtige, gefrorene Modelle zu übersetzen, die für den Einsatz in latenzarmen eingebetteten Systemen geeignet sind.
• Ergebnisse klar kommunizieren, auch wenn die Beweise zeigen, dass ein klassischer Ansatz die bessere Lösung bleibt.

Anforderungen:

• B.Sc., M.Sc. oder PhD in Informatik, Angewandter Mathematik, Angewandter Physik, Maschinellem Lernen oder einem verwandten technischen Bereich.
• Starke praktische Erfahrung im maschinellen Lernen mit Zeitreihen, Regression, Sensor- oder Instrumentierungsdaten.
• Starke Python- oder MATLAB-Kenntnisse und Erfahrung mit PyTorch, scikit-learn oder gleichwertigen Modellierungsframeworks.
• Erfahrung im effektiven Umgang mit bescheidenen, hochgradigen Datensätzen, bei denen die Validierungsstrategie und die Datenqualität ebenso wichtig sind wie die Modellarchitektur.
• Starkes Verständnis von Modellvalidierung, Generalisierung, Überanpassung, Merkmalsengineering und Versuchsdesign.
• Genug Physik- und Signalverarbeitungswissen, um in Frage zu stellen, ob eine entdeckte Beziehung physikalisch sinnvoll oder einfach ein Artefakt in den Daten ist.
• C/C++-Kenntnisse sind sehr wünschenswert.
• Erfahrung mit Sensor-Kalibrierung, Metrologie, inertialer Messung oder ähnlichen physikalischen Messsystemen ist ein großer Vorteil.
• Erfahrung mit der Bereitstellung von ML-Modellen für eingebettete oder ressourcenbeschränkte Ziele ist ein Plus.
• Exposition gegenüber Luft- und Raumfahrt, Verteidigung, Robotik oder anderen Hochleistungsingenieurumgebungen ist ein Plus.

Wer Sie sind:

Sie kümmern sich mehr darum, ob ein Modell funktioniert, als ob es modisch ist. Sie sind bereit, Ihre eigenen Ergebnisse in Frage zu stellen, Experimente zu entwerfen, die schwer zu täuschen sind, und zu sagen, wenn die Daten die Hypothese nicht unterstützen. Sie kombinieren starke ML-Fähigkeiten mit genug Neugier auf Physik und Signalverarbeitung, um zu verstehen, was hinter dem Datensatz passiert, und Sie genießen es, experimentelle Ergebnisse in klare Ingenieursentscheidungen umzuwandeln.