ML Engineer, Agents & Reasoning

Ihre Mission ist es, agentische KI-Systeme zu entwickeln, die in realen Materialentdeckungs-Workflows planen, handeln und agieren können. Die meisten Agentensysteme leben in sauberen Umgebungen: Browsern, Codebasen oder synthetischen Benchmarks. Bei Dunia müssen Agenten über die chaotische Realität nachdenken: Experimente, die fehlschlagen, Daten, die sich widersprechen, und physikalische Systeme, die sich nicht sauber zurücksetzen.

Als ML Engineer, Agents & Reasoning bauen Sie die Systeme, die es KI ermöglichen, verantwortungsvoll in dieser Realität zu agieren. Sie entwerfen Agenten, die entscheiden, was als Nächstes zu tun ist, Werkzeuge intelligent nutzen, sich von Misserfolgen erholen und wissen, wann sie nicht wissen.

Ihre Aufgaben umfassen:

• Entwicklung agentischer Entscheidungsfindungssysteme für die Entdeckung
• Entwurf und Implementierung agentischer Systeme, die planen, denken und handeln in Materialentdeckungs-Workflows
• Entwicklung von Agenten, die über Experimente, Simulationen und wissenschaftliche Datensätze operieren und nächste Aktionen unter Unsicherheit auswählen
• Definition des Umfangs der Autonomie, wann Menschen im Prozess bleiben und wie Entscheidungen eskaliert werden
• Verankerung des Denkens in wissenschaftlicher und physikalischer Realität
• Implementierung von Planungs-, Steuerungslogik und unsicherheitsbewusster Entscheidungsfindung, die auf physikalische Systeme zugeschnitten sind
• Einbettung operationeller, experimenteller und sicherheitsrelevanter Einschränkungen direkt in das Verhalten der Agenten
• Definition von Abbruchkriterien, Rückfallstrategien und Wiederherstellungsmechanismen zur Vermeidung brüchigen Verhaltens
• Umsetzung von Modellen in Aktionen
• Enge Zusammenarbeit mit KI-Forschern zur Einbettung prädiktiver Modelle in Agenten-Workflows
• Zusammenarbeit mit Labor-, Automatisierungs- und Softwareteams zur Verbindung von Agenten mit realen Experimenten und Simulationssystemen
• Sicherstellung, dass die Ausgaben der Agenten in ausführbare Aktionen übersetzt werden, nicht nur in Empfehlungen
• Entwicklung von Evaluierungsrahmen, die die Entscheidungsqualität, Lern-Effizienz und Systemverhalten bewerten, nicht nur die Modellgenauigkeit
• Analyse von Fehlerszenarien und Iteration des Systemdesigns basierend auf realen Ergebnissen
• Hilfe bei der Definition dessen, was „gute Entscheidungen“ in wissenschaftlichen Entdeckungskontexten bedeutet
• Lieferung zuverlässiger, produktionsreifer Systeme
• Übersetzung von Forschungskonzepten in robuste, wartbare ML-Systeme
• Instrumentierung von Agenten mit Protokollierung, Überwachung und Diagnosen für Beobachtbarkeit und Debugging
• Übernahme von Systemen vom Prototyp bis zur Bereitstellung und dem Betrieb

Ihr Profil:

• 4–8 Jahre Erfahrung in der Entwicklung von ML-gesteuerten oder algorithmischen Entscheidungsfindungssystemen in Produktions- oder angewandten Forschungsumgebungen
• Starker Hintergrund in wissenschaftlicher oder strukturierter Datenmodellierung, anstatt sprachbasierten Systemen
• Erfahrung mit Planung, Steuerung, Optimierung, probabilistischer Entscheidungsfindung oder Entscheidungsfindung unter Unsicherheit
• Beherrschung moderner ML-Frameworks (z.B. PyTorch, JAX) und starke allgemeine Softwareengineering-Fähigkeiten
• Komfortable Übernahme von Systemen von Anfang bis Ende, vom Prototyp bis zum zuverlässigen Betrieb
• Fähigkeit, klar über das Verhalten von Systemen in komplexen, teilweise beobachtbaren Umgebungen nachzudenken
• Technisch neugierig, mit Interesse an physikalischen Systemen, Experimenten und realen Einschränkungen
• Klare Kommunikation, die eine effektive Zusammenarbeit zwischen KI, Ingenieurwesen und wissenschaftlichen Teams ermöglicht
• Fließende Englischkenntnisse; zusätzliche Sprachkenntnisse wünschenswert