AI Research Scientist

Giotto.ai ist ein in der Schweiz ansässiges KI-Unternehmen, das Intelligenzsysteme für die Schweiz und Europa entwickelt. Unsere Mission ist es, Regierungen und Unternehmen die volle Kontrolle über die KI-Systeme zu ermöglichen, die sie nutzen, ohne den Zugang zu den fortschrittlichsten Denkfähigkeiten zu beeinträchtigen. Aus dieser Kontrolle ergibt sich, was am wichtigsten ist: geschützte Daten, bewahrte Autonomie und dauerhafte strategische Unabhängigkeit. Giotto ist ein tragbares, konfigurierbares Modell und ein KI-Betriebssystem mit fortschrittlichen Denkfähigkeiten, das offene und proprietäre Gewichte, Datensätze und Werkzeuge kombiniert, um hohe Leistung, Anpassungsfähigkeit, Robustheit und Unterstützung für mehrere Agenturen zu bieten.

Wir suchen einen AI Research Scientist, der hilft, fortschrittliche KI-Systeme zu entwerfen, zu trainieren, zu evaluieren und zu verbessern. Diese Rolle befindet sich an der Schnittstelle von Deep-Learning-Forschung, angewandtem maschinellen Lernen und skalierbarer Technik. Sie werden an Forschungsfragen arbeiten, die große Sprachmodelle, multimodales Denken, synthetische Datengenerierung, Modellevaluation, Repräsentationslernen und aufgabenspezifische Anpassung betreffen. Sie werden erwartet, von mehrdeutigen Forschungsfragen zu konkreten Hypothesen, Experimenten, Prototypen und schließlich produktionsbereiten Methoden in Zusammenarbeit mit Ingenieur- und Produktteams zu gelangen. Dies ist eine praktische Forschungsrolle: Sie werden Papers lesen, Experimente entwerfen, Modelle trainieren und feinabstimmen, Evaluierungspipelines aufbauen, Fehler analysieren und helfen, Forschungserkenntnisse in zuverlässige KI-Fähigkeiten zu übersetzen.

Verantwortlichkeiten

• Definieren und Ausführen von Forschungsprojekten rund um LLMs, Denken, multimodale Modelle, synthetische Daten und Modellanpassung.
• Entwerfen von Experimenten zur Testung von Hypothesen, zum Vergleich von Architekturen, zur Bewertung von Trainingsstrategien und zur Messung des Modellverhaltens.
• Trainieren, Feinabstimmen und Bewerten von Transformer-basierten Modellen unter Verwendung moderner Deep-Learning-Frameworks.
• Arbeiten an überwachtem Fein-Tuning, Präferenzoptimierung, LoRA/PEFT-Methoden, Destillation, Datenaugmentation und bewertungsgetriebenen Modellverbesserungen.
• Aufbauen robuster Benchmarks und diagnostischer Bewertungen für Denken, Verallgemeinerung, Zuverlässigkeit und aufgabenspezifische Leistung.
• Analysieren von Modellfehlern und Vorschlagen von Verbesserungen auf der Ebene von Daten, Architektur, Trainingsziel, Aufforderung oder Inferenzstrategie.
• Zusammenarbeiten mit ML-Ingenieuren, um Experimente über GPUs und verteilte Infrastruktur zu skalieren.
• Beitragen von sauberem, reproduzierbarem Forschungscode, Experimentkonfigurationen, Dokumentation und internen Berichten.
• Aktuell bleiben mit relevanter KI-Forschung und vielversprechende Ideen in praktische Experimente umsetzen.
• Mitgestalten der Forschungsroadmap des Unternehmens und Identifizieren von technischen Richtungen mit hohem Einfluss.

Erforderliche Erfahrung

Wir suchen jemanden mit umfangreicher Erfahrung in mehreren der folgenden Bereiche:

• Deep Learning, insbesondere Transformer-Architekturen und moderne Sequenzmodelle.
• LLM-Training, Feinabstimmung, Bewertung oder Inferenz.
• Starke praktische Erfahrung mit Python und PyTorch.
• Erfahrung mit dem Hugging Face-Ökosystem: Transformers, Datasets, Tokenizer, Modell-Checkpoints und Generierungs-APIs.
• Verständnis von Trainingsdynamik, Optimierung, Verlustfunktionen, Überanpassung, Regularisierung und Bewertungsmethodik.
• Fähigkeit, rigorose Experimente zu entwerfen und Ergebnisse über Hauptmetriken hinaus zu interpretieren.
• Erfahrung im Umgang mit großen Datensätzen, Vorverarbeitungspipelines und reproduzierbaren ML-Workflows.
• Starke mathematische Grundlagen in linearer Algebra, Wahrscheinlichkeit, Statistik und Optimierung.
• Fähigkeit, Forschungspapiere zu lesen und in funktionierende Prototypen umzusetzen.
• Klare Kommunikationsfähigkeiten und die Fähigkeit, Forschungskompromisse technischen und nicht-technischen Stakeholdern zu erklären.

Relevante Werkzeuge und Stack

Die Rolle sollte nah am aktuellen ML-Engineering-Stack bleiben und gleichzeitig forschungsorientierte Werkzeuge hinzufügen. Erwarteter Kern-Stack:

• Python
• PyTorch
• Hugging Face Transformers / Datasets
• CUDA-aware GPU-Training
• MLflow oder Weights & Biases für Experimentverfolgung
• Docker
• Ray oder ähnliche Werkzeuge für verteilte Workloads und Experimentorganisation
• PyTorch Distributed, FSDP, DeepSpeed oder Accelerate
• PEFT / LoRA / QLoRA
• vLLM
• pytest und Reproduzierbarkeitstools für die Qualität des Forschungscodes

Wünschenswerte Werkzeuge

• Triton oder benutzerdefinierte CUDA-Kerne
• GCS RAG-Pipelines, Vektordatenbanken und Einbettungsbewertungen
• Datenannotation, synthetische Datengenerierung und menschliche Bewertungs-Pipelines

Wünschenswerte Forschungsbereiche

Erfahrung in einem oder mehreren der folgenden Bereiche wäre besonders wertvoll:

• LLM-Denken und -Planung
• Programmsynthese oder strukturierte Vorhersage
• Modellfusion, Destillation und Kompression
• Verstärkendes Lernen oder Präferenzoptimierung
• Bewertung von Denken und Verallgemeinerung
• Mechanistische Interpretierbarkeit oder Modellanalyse
• Retrieval-unterstützte Generierung
• Agentensysteme und werkzeugbenutzende Modelle
• Verteiltes Training im großen Maßstab
• Niedrigstufige Inferenzoptimierung

Profil, das wir suchen

Sie könnten gut passen, wenn Sie:

• Es genießen, unklare Forschungsfragen in messbare Experimente umzuwandeln.
• Mit sowohl Theorie als auch Implementierung vertraut sind.
• Wert auf Reproduzierbarkeit, saubere Experimentverfolgung und ehrliche Bewertung legen.
• Schnell von Paper zu Prototyp wechseln können.
• Pragmatisch sind: Sie wissen, wann Sie eine Forschungsidee tief verfolgen und wann Sie aufhören sollten.
• Geradezu eng mit Ingenieuren zusammenarbeiten möchten, um Forschung in realen Systemen nutzbar zu machen.
• Von Grenz-KI-Problemen begeistert sind, aber in messbarem Fortschritt verankert sind.

Standort & Arbeitsstil

Wir bieten eine Vollzeitbeschäftigung in der Schweiz. Hybrides Modell: Remote-Arbeit wird vollständig unterstützt. Das Team trifft sich einmal im Monat in unserem Büro in der Schweiz. Außergewöhnliche Kandidaten, die anderswo in Europa wohnen, können ebenfalls berücksichtigt werden.