Research Engineer

Das Singapore-ETH Centre ist ein Forschungszentrum, das sich auf nachhaltige Lösungen und innovative Technologien konzentriert.

Projekt Hintergrund

Die Gesundheitssysteme der Zukunft müssen Daten effektiv nutzen, um Kliniker zu unterstützen, damit sie sich auf die Patientenversorgung konzentrieren können, während sie KI nutzen, um Muster zu erkennen, die über die menschliche Wahrnehmung hinausgehen, die diagnostische Genauigkeit zu verbessern, Arbeitsabläufe zu optimieren und Risikobewertung sowie Kommunikation zu verbessern. Die Entwicklung von KI-Modellen, die diese Bedürfnisse adressieren, ist besonders dringend in alternden Gesellschaften, in denen die steigende Patientenzahl mit zunehmenden Einschränkungen des Personals einhergeht.

Wir entwickeln das AI for Science Instrumentation Gym, das darauf abzielt, diese Lücke zu schließen, indem es die datengestützte Hypothesengenerierung in den Mittelpunkt seiner Mission stellt. Es führt einen kritischen Zwischenschritt ein: die Tokenisierung und Kartographie wissenschaftlicher Daten. Durch Tokenisierung werden komplexe Daten in grobgranulare, interpretierbare Einheiten umgewandelt. Durch Kartographie werden diese Einheiten in latente Räume organisiert, die als strukturierte Landschaften erkundet werden können. Auf diese Weise wird maschinelles Lernen zu einem Werkzeug, um hochdimensionale Daten in Formen zu kartieren, die Wissenschaftler navigieren, interpretieren und nutzen können, um neue Hypothesen zu generieren.

Als Research Engineer werden Sie einer der Gym Leads für die ML-Plattform für die wissenschaftliche Instrumentierung sein und an Folgendem arbeiten:

• Datenpipelines – Eingabe, Metadatenschemata und Provenienzverfolgung für Elektronenmikroskopie, Röntgen- und Lichtmikroskopiedatensätze
• Modell-Schnittstellen – modulare Python-APIs, die es ermöglichen, Repräsentationsmodelle, Tokenizer und nachgelagerte Modelle auszutauschen und zu kombinieren
• Baseline-Tokenisierungs- und Kartographiepipelines, die in Zusammenarbeit mit ML-Forschern und Fachwissenschaftlern entwickelt wurden
• LLM- und RAG-unterstützte Schnittstellen für die Datensatznavigation, Workflow-Entdeckung und Benutzerinteraktion
• Vorwärtskompatibilität zu HPC – Sicherstellung, dass S-Gym- und M-Gym-Komponenten ohne grundlegendes Redesign in die L-Gym-Ebene überführt werden können

Profil

• Master-Abschluss in einem relevanten Fachgebiet (z.B. Künstliche Intelligenz, Datenwissenschaft)
• Starke Python-Kenntnisse und Erfahrung mit einem modernen ML-Framework (PyTorch bevorzugt)
• Erfahrung im Aufbau von Datenpipelines und reproduzierbaren ML-Workflows
• Vertrautheit mit GPU-basiertem Rechnen und grundlegenden wissenschaftlichen Datenformaten
• Nachweis über den Aufbau modularer, wartbarer Software
• Interesse an der Arbeit an der Schnittstelle von Wissenschaft, ML und Systemtechnik
• Erfahrung mit wissenschaftlichen Bilddaten
• Vertrautheit mit LLMs und retrieval-augmented generation
• Erfahrung in der Bereitstellung von ML-Diensten auf HPC- oder Cloud-GPU-Infrastrukturen

Arbeitsplatz

Wir bieten eine Akkreditierung mit 5 Tripartite Standards durch die Tripartite Alliance for Fair.