Machine (Meta) Learner

Bei kausable entwickeln wir kausale, reasoning-first Modelle, die aus einer Handvoll von Beispielen lernen und sich ohne erneutes Training anpassen. Wir suchen einen Forschungswissenschaftler, um die Grundlagen dieses Ansatzes voranzutreiben, mit einem besonderen Fokus auf Prior-Data Fitted Networks, Meta-Learning und die Priors, die bestimmen, was unsere Modelle lernen können. Dies ist eine Forschungsrolle mit echter Implementierungsverantwortung. Sie werden Hypothesen bilden, die Systeme bauen, die benötigt werden, um diese zu testen, und starke Ergebnisse in reproduzierbare Forschung, Open-Source-Arbeit und produktionsrelevante Fähigkeiten umwandeln.

Unsere Forschung dreht sich um synthetische Weltdaten, tiefen Lernmodelle, die dagegen trainiert und validiert werden, und fähige Einbettungen über verschiedene Domänen und Modalitäten. Sie werden:

• Forschungsfragen zu PFNs, Meta-Learning, In-Context Learning, Repräsentationslernen, Kausalität, aktivem Lernen und adaptivem Entscheidungsfinden gestalten und verfolgen.
• Priors und synthetische Aufgabenverteilungen entwerfen, die Modelle nützlichen Strukturen, Unsicherheiten und Fehlermodi aussetzen.
• Modellarchitekturen und Trainingsmethoden für zeitliche, zielbedingte und dynamische Einstellungen entwickeln.
• Strenge Bewertungen durchführen, einschließlich starker Baselines, Ablationen, Kalibrierungstests und Diagnosen außerhalb der Verteilung.
• Forschungsideen zuverlässig in Python und PyTorch implementieren und die Daten- und Experimentpipelines um sie herum verbessern.
• Zu erstklassigen Veröffentlichungen, Open-Source-Veröffentlichungen und der breiteren Forschungsagenda bei kausable beitragen.

Wir suchen Forschungswissenschaftler mit einem starken Hintergrund in einem oder mehreren der folgenden Bereiche:

• Tiefe Expertise in PFNs, Meta-Learning, Bayesscher Inferenz, Neural Processes, Repräsentationslernen, Kausalität, aktivem Lernen oder einem eng verwandten Bereich.
• Eine Erfolgsbilanz bei der Generierung origineller Forschungshypothesen und deren wissenschaftlicher Überprüfung.
• Starkes experimentelles Urteilsvermögen: Sie können Optimierungsfehler, falsche Spezifikation von Priors und Verteilungsverschiebungen unterscheiden.
• Zuverlässige Implementierungsfähigkeiten in Python und PyTorch oder JAX.
• Ein PhD in Maschinenlernen, Physik, Statistik oder einem verwandten Bereich oder gleichwertige Forschungserfahrung.
• Die Fähigkeit, unabhängig zu arbeiten, schwierige Ideen klar zu erklären und seine Meinung zu ändern, wenn es die Beweise erfordern.

Wir stellen hauptsächlich auf Senior-Ebene ein. Wir sind auch offen für außergewöhnliche Kandidaten mit weniger Jahren Erfahrung, die vergleichbare Tiefe, Urteilsvermögen und Eigenverantwortung nachweisen können.

Empfohlene Qualifikationen:

• Ein PhD in ML, Physik oder gleichwertig – oder ein MSc mit außergewöhnlicher Erfahrung.
• Ein starkes Verständnis von Kausalität, Meta-Learning, PFNs und aktivem Inferenz.
• Die Fähigkeit, unabhängig zu arbeiten und von den ersten Prinzipien aus zu denken.
• Praktische Erfahrung mit modernen ML-Tools (Python, PyTorch) und Forschungsabläufen.
• Eine ergebnisorientierte Denkweise.

Schön zu haben:

• Kausale Modellierung, aktives Lernen oder Bayessche Optimierung.
• Verstärkendes Lernen, Kontrolle, Zeitreihenmodellierung oder dynamische Systeme.
• Synthetische Datengenerierung, graphbasierte Modelle oder Simulationsumgebungen.
• Veröffentlichungen bei NeurIPS, ICML, ICLR oder vergleichbaren Veranstaltungen.
• Bedeutende Open-Source-Beiträge.

Wo das hinführen kann:

Sie werden helfen, die Forschungsagenda von kausable zu definieren, nicht nur auszuführen. Wenn das Team wächst, gibt es Raum, eine Forschungsrichtung zu leiten, eingehende Wissenschaftler zu betreuen und zu gestalten, wie unsere veröffentlichten Arbeiten und Open-Source-Beiträge die breitere Gemeinschaft erreichen. Und während kausable beginnt, mit seinen ersten Kunden zu arbeiten, ist die Forschung, die Sie hier durchführen, zunehmend wahrscheinlich, das Labor zu verlassen und in der realen Welt eingesetzt zu werden.

Unsere Kultur:

Wir setzen „Wissenschaft ins Zentrum der KI“ – mit all ihrer Neugier, Wagemut und Menschlichkeit. Das bedeutet, dass wir:

• Wissenschaftler im Herzen sind, mit einer Builder-Mentalität,
• offen für Herausforderungen sind, geerdet in Neugier und Respekt,
• vielfältige Perspektiven willkommen heißen und durchdachte, offene Debatten schätzen,
• uns auf Ergebnisse und reale Auswirkungen konzentrieren,
• ein Umfeld der Unterstützung, Inspiration und Freiheit fördern, damit jeder seine beste Arbeit leisten kann.

Vorteile:

• VSOP-Equity: ein echter Anteil an dem, was wir aufbauen.
• 30 Tage bezahlter Urlaub pro Jahr.
• Gesetzliche Sozialversicherung.
• Konferenzreisen und rollenspezifisches Lernen.
• Flexibles hybrides Arbeiten, mit ungefähr einem persönlichen Teamtreffen pro Monat.
• Ein hochwertiger Laptop und Zugang zu den erforderlichen Rechenressourcen für ernsthafte Forschung.

Werkzeuge und Infrastruktur:

• Python, PyTorch und PyTorch Lightning.
• Weights & Biases und reproduzierbare Experimentabläufe.
• Docker, AWS, RunPod und vergleichbare Cloud-Infrastrukturen.

Klingt das nach Ihnen? Senden Sie uns Ihre Lieblingsart, Kaffee zu trinken, zusammen mit Ihrem Lebenslauf oder LinkedIn, und wir werden uns bald bei Ihnen melden. Wenn es passt, lernen wir uns in einer Reihe von Online-Interviews kennen, gefolgt von einem Vor-Ort-Tag, an dem wir in die Tiefe gehen.

Wir freuen uns darauf, von Ihnen zu hören!