Principal ML & AI Engineer (Spatial AI & Perception)

Was ist die Rolle? Als ADAS/AD sich in Richtung modellgetriebene Intelligenz bewegt, erweitert sich der Branchenwert von der Kartenlieferung hin zu Modelltraining und -validierung. Es ist das Wachstum von HEREs KI-Modellierungsplattform, die Karten und Fahrdaten in wiederverwendbare räumliche Intelligenz umwandelt – und damit skalierbares Training, Validierung und die nächste Generation der ADAS/AD-Leistung ermöglicht. Als Principal Engineer werden Sie praktisch mit modernsten Architekturen (BEVFormer, BEVFusion, Belegungsnetzwerke), großflächigem verteiltem Training, Modellquantisierung und -kompression für eingebettete SoCs sowie proprietären Datensätzen in einem Maßstab arbeiten, auf den die meisten Organisationen einfach keinen Zugriff haben. Wenn Sie die Wahrnehmungs-KI von der Forschung in die reale Welt bringen möchten – dann ist dies die Rolle.

Hauptverantwortlichkeiten:

• Modellentwicklung & Training: Entwickeln und trainieren Sie Infrastrukturwahrnehmungsmodelle für Fahrstreifenerkennung, Straßenbegrenzungen, Verkehrszeichen/-lichter und Straßenoberflächenattribute. Erstellen Sie BEV-basierte Szenenrepräsentationsmodelle (BEVFormer, BEVDet, BEVFusion oder ähnlich), führen Sie großflächiges verteiltes Training durch, integrieren Sie geospatiale Prämissen und validieren Sie synthetische Trainingsdaten auf Qualität und Abdeckungsdefizite.
• Modelloptimierung & Edge-Bereitschaft: Übernehmen Sie die praktische Modelloptimierungspipeline für die Edge-Bereitstellung, einschließlich ONNX-Export, TensorRT/QNN-Kompilierung, Kompatibilitätsprüfungen von Operatoren, Graphoptimierung, Quantisierung, Kompression und Genauigkeitswiederherstellung. Profilieren und benchmarken Sie Modelle auf eingebetteter Hardware, identifizieren Sie Latenz-, Durchsatz-, Speicher- und Engpassprobleme und erstellen Sie automatisierte Regression-Pipelines zur Validierung von Modellen gegen Freigabemarken.
• Forschung-zu-Pipeline-Implementierung: Operationalisieren Sie neuartige Architekturen: Übersetzen Sie aktuelle Forschung (CVPR/NeurIPS-Papiere) in reproduzierbare, skalierbare Trainingspipelines. Entwerfen Sie strenge Experimente, einschließlich A/B-Tests und Ablationsstudien, während Sie die Cloud-Genauigkeit, Einsatzbereitschaft, Verteilungsabdeckung, zeitliche Konsistenz, räumliche Kohärenz und Leistungsabgleichungen über Genauigkeit, Latenz, Speicher und GPU-Nutzung bewerten.
• Zusammenarbeit & Qualität: Arbeiten Sie mit Forschung, Simulation und technischer Leitung zusammen, um sicherzustellen, dass die Wahrnehmungsergebnisse die Anforderungen an nachgelagertes Training und Bereitstellung erfüllen. Unterstützen Sie wichtige Architekturentscheidungen zu Quantisierung und Präzision, entwerfen Sie Experimente zur Messung realer Gewinne aus synthetischem Training und halten Sie hohe Standards für Codequalität, Dokumentation, Erweiterbarkeit und Mentoring der Junior Engineers, während das Team wächst.

Wer sind Sie?

Wir suchen einen selbstgesteuerten und pragmatischen Ingenieur, der komplexe Probleme von Anfang bis Ende übernehmen kann, über den gesamten ML-Lebenszyklus von großflächigem Modelltraining bis SoC-Bereitstellung nachdenken kann und effektiv zusammenarbeiten kann, während er hohe Standards für Codequalität, Dokumentation und Wissensaustausch aufrechterhält. 5–7 Jahre Erfahrung in ML/AI mit 3+ Jahren in Computer Vision, Wahrnehmung oder Deep Learning-Systemen. Nachgewiesene Erfahrung in der Bereitstellung von Produktionswahrnehmungsmodellen in reale Systeme oder großflächige Datenpipelines. Praktische Erfahrung in der Edge-Bereitstellung – optimierte und bereitgestellte Modelle auf eingebetteter Hardware oder automotive-grade SoCs (nicht nur Cloud-Inferenz). Starke PyTorch-Expertise, mit praktischer Erfahrung im Aufbau benutzerdefinierter Architekturen, Verlustfunktionen und Trainingsschleifen sowie im verteilten Training mit DDP/FSDP, gemischter Präzision und Gradient-Checkpointing. Erfahrung mit großflächigem verteilt Training, über das Fein-Tuning vortrainierter Modelle hinaus.

Technische Fähigkeiten:

• Tiefes Lernen & Wahrnehmung: Erfahrung mit BEV- oder Multi-Kamera-Transformatorarchitekturen wie BEVFormer, BEVDet, BEVFusion oder Belegungsnetzwerken, sowie mit Multi-Task-Learning, skalierbarer Trainingsinfrastruktur, Datenladeoptimierung, Augmentierungspipelines und Experimentverfolgungswerkzeugen wie W&B oder MLflow.
• Infrastrukturwahrnehmung: Erfahrung mit strukturiertem Szenenverständnis, einschließlich Straßentopologie, Fahrstreifen-Geometrie, Straßenoberflächenattributen, semantischer/instanzbasierter Segmentierung von Infrastrukturelementen und BEV-Raum, Belegungsraster oder karten-aligned Repräsentationen.
• Modelloptimierung & Eingebettete Bereitstellung (kritisch): Praktische Expertise in ONNX und TensorRT/QNN, Erfahrung in Quantisierungsworkflows wie QAT, PTQ, gemischte Präzisionsinferenz, Sensitivitätsanalyse pro Schicht und Genauigkeitswiederherstellung sowie Techniken zur Modellkompression. Vertrautheit mit Automotive-SoC-Plattformen wie Qualcomm Snapdragon Ride, NVIDIA Orin, TI TDA4 oder vergleichbaren eingebetteten Beschleunigern ist wichtig, ebenso wie Erfahrung im Profilieren von Latenz auf echter Hardware, Identifizierung von Engpässen, Analyse der Speicherbandbreite und Optimierung des Inferenzdurchsatzes.
• Bewertung & Qualität: Fähigkeit zur Bewertung von Modellen über einzelne Metriken hinaus, einschließlich Datenabdeckung, Fehlerarten und Randfällen, während die Einsatzbereitschaft durch Genauigkeits-Latenz-Abwägungen, Regressionstests über Modellvarianten hinweg validiert wird. Fähigkeit, Forschungspapiere zu reproduzieren, Architekturen anzupassen und sie in skalierbare, produktionsbereite Trainingsschleifen zu integrieren.

HERE ist ein Arbeitgeber, der Chancengleichheit bietet. Wir bewerten qualifizierte Bewerber unabhängig von Rasse, Hautfarbe, Alter, Geschlechtsidentität, sexueller Orientierung, Familienstand, Elternstatus, Religion, Geschlecht, nationaler Herkunft, Behinderung, Veteranenstatus und anderen gesetzlich geschützten Merkmalen. Im Rahmen des Einstellungsprozesses von HERE Technologies müssen die Kandidaten erfolgreich einen Vorbeschäftigungsprüfungsprozess abschließen. Dieses Angebot und alle damit verbundenen Ansprüche unterliegen dem erfolgreichen Abschluss einer Vorbeschäftigungsprüfung. Dies umfasst gegebenenfalls die Überprüfung von Beschäftigung, Ausbildung und strafrechtlichen Vergehen.

Wer sind wir?

HERE Technologies ist ein Standortdaten- und Technologieplattformunternehmen. Wir befähigen unsere Kunden, bessere Ergebnisse zu erzielen – von der Unterstützung einer Stadt bei der Verwaltung ihrer Infrastruktur oder einem Unternehmen bei der Optimierung seiner Vermögenswerte bis hin zur sicheren Navigation von Fahrern zu ihrem Ziel. Bei HERE nehmen wir es uns zur Aufgabe, die Veränderung zu sein, die wir sehen möchten. Wir schaffen Lösungen, die Innovationen fördern, Chancen bieten und Inklusion unterstützen, um das Leben der Menschen zu verbessern. Wenn Sie von einer offenen Welt inspiriert sind und motiviert sind, positive Veränderungen zu schaffen, schließen Sie sich uns an. Erfahren Sie mehr über uns auf unserem YouTube-Kanal.