Research Scientist

Glauben Sie, dass der Weg zu einer allgemeinen physischen KI durch laute, reale Fabrikbereitstellungen führt? Sind Sie begeistert von der Herausforderung, die klassischen Roboterstacks in die grundlegenden Trainingsdaten für physische KI umzuwandeln? Möchten Sie die Lücke zwischen erstklassiger ML-Forschung und industrieller Roboterausführung überbrücken? Wenn Ihre Antworten ja sind, sollten wir sprechen.

Bei Nomagic führen wir einen bescheidenen Pivot für allgemeine physische KI durch. Wir glauben, dass physische KI grundsätzlich ein Wissensübertragungsproblem ist - wir nutzen die "Internetdaten" der Robotik - massive Bereitstellungsprotokolle von realen Systemen, die in Produktionsumgebungen betrieben werden - um unsere Bemühungen zu unterstützen. Wir suchen Forschungswissenschaftler, die uns helfen, grundlegende Modelle zu entwickeln, zu trainieren und bereitzustellen, die unsere Flotte von einem klassischen Steuerungsstack zur allgemeinen KI-Meisterschaft bringen.

Angebotsdetails:

• Arbeiten Sie jeden Tag mit echten Robotern und lösen Sie echte Probleme.
• Umzugspaket.
• Flexible Arbeitszeiten.
• Englischsprachige Umgebung.

Warum wir diesen Job lieben:

• Wir kombinieren erstklassige Forschung mit erstklassiger Technik und wenden sie an, um echte Probleme zu lösen.
• Ein Großteil dieser Daten existiert bereits. Wir haben Roboter in Produktion im großen Maßstab.
• Wir messen, was zählt. Wir testen unseren Code in Unit-Tests, Simulationen und direkt an echten Robotern.
• Hohe Hebelwirkung, hohe Auswirkungen. Wenn Ihre Architekturen und Trainingspläne unsere Agenten verbessern, ändern Sie direkt die Wirtschaftlichkeit des Unternehmens.
• Weltklasse-Kollegen. Unser Team hat Google Warschau aufgebaut, Einhorn-Startups geleitet, Forschung bei DeepMind geleitet und bei Top-Unternehmen wie Nvidia und ByteDance gearbeitet.

Was Sie tun werden:

• Foundation Models & Pretraining: Entwerfen Sie die Basisintelligenz: Definieren Sie Modellarchitekturen (Transformer- und Diffusionsbasiert), Ziele und Trainingspläne.
• Master the Data: Entwickeln Sie skalierbare Datenmischungen und Sampling-Strategien.
• Push the Frontier: Führen Sie rigorose Ablationen durch, um Skalierungsgesetze und Datenqualitätsauswirkungen zu verstehen.
• Adaptation, Post-Training & Real-World Evaluation: Erkunden Sie Feinabstimmungsrezepte, um allgemeine Modelle nützlich, kontrollierbar und sicher in der realen Welt zu machen.
• Improve Physical Robustness: Entwickeln Sie moderne Methoden zur Verbesserung der Zuverlässigkeit in der realen Welt.
• Build Benchmarks: Entwerfen Sie Bewertungsrahmen und leichte physische Setups.
• Close the Physical Loop: Analysieren Sie die Ergebnisse der realen Bewertung, um die übergeordnete Forschungsrichtung zu leiten.

Welche Fähigkeiten wir uns wünschen:

• Tiefe Forschung und praktische Erfahrung an der Schnittstelle von maschinellem Lernen, Systemtechnik und physischer Robotik.
• Erfahrung in der Gestaltung, dem Training und der Feinabstimmung groß angelegter Deep-Learning-Architekturen.
• Starke Grundlagen in Deep-Learning-Frameworks (PyTorch/JAX).
• Komfort im Umgang mit Hardware und Verständnis des gesamten Robotik-Stacks.
• Fähigkeit, nahtlos zwischen theoretischem Design und physischer Implementierung zu wechseln.

Bewerbungsprozess:

• Ein Telefongespräch mit dem Einstellungsleiter, um Ihren Hintergrund und unsere technische Richtung zu besprechen.
• Ein halber Tag vor Ort (kulturelle Passung & technische Interviews).
• Eine endgültige Entscheidung innerhalb von 2-3 Tagen nach dem Vor-Ort-Interview.

Wichtig: Erwarten Sie detailliertes, ehrliches Feedback nach Abschluss des Prozesses, unabhängig von unserer Entscheidung.