Bayesian Statistics Expert - PhD

Wir bauen ein großangelegtes Evaluierungsbenchmark für fortgeschrittenes KI-Reasoning in wissenschaftlichen und ingenieurtechnischen Bereichen auf. Unsere Aufgabendesigner erstellen herausfordernde rechnerische Probleme, die testen, ob KI-Systeme reale wissenschaftliche Softwaretools nutzen können, um forschungsrelevante Probleme zu lösen, von der Abfrage von Simulationen und der Interpretation von Ausgaben bis hin zur Gestaltung experimenteller Strategien und der Wiederherstellung verborgener Informationen aus Daten.

Dies ist keine typische Annotierungs- oder Labeling-Rolle. Sie werden originale, auf Graduiertenebene basierende rechnerische Probleme entwerfen, die in realen wissenschaftlichen Arbeitsabläufen verankert sind, diese gegen modernste KI-Modelle kalibrieren und das Problemdesign iterieren, bis die Schwierigkeit stimmt.

Was Sie tun werden:

• Sie werden Probleme entwerfen, die den anspruchsvollen Einsatz von domänenspezifischen wissenschaftlichen Softwarebibliotheken erfordern.
• Einige Probleme erfordern die Berechnung präziser Ausgaben aus vollständig spezifizierten Setups – dabei wird getestet, ob ein Solver komplexe mehrstufige wissenschaftliche Arbeitsabläufe korrekt implementieren kann.
• Andere Probleme erfordern etwas Schwierigeres: die Gestaltung einer Abfolge von Abfragen oder Experimenten, um Informationen aufzudecken, die nicht direkt sichtbar sind, was strategisches Denken darüber erfordert, was gemessen werden soll, wie man partielle Beobachtungen interpretiert und wie man Möglichkeiten effizient eingrenzt.
• Jede Aufgabe durchläuft eine Kalibrierungsschleife, in der sie gegen modernste KI-Modelle getestet wird, und Sie werden das Problemdesign verfeinern, bis die Schwierigkeit im Zielbereich liegt.

Bereiche & Tools, für die wir einstellen:

Wir sind besonders an Experten mit tiefgehender praktischer Erfahrung in folgendem Bereich interessiert:

• Computational Bayesian Statistics und angewandte Mathematik
• Arbeiten mit Bibliotheken in der Bayesschen Statistik, einschließlich PyMC, PyStan, PyJAGS und CmdStanPy; angewandte Mathematik und numerische PDEs, einschließlich FEniCS, FEniCSx, DOLFINx, scikit-fem, FiPy, Devito und Dedalus; rechnerische Topologie, einschließlich GUDHI; oder differenzielle Algebra, einschließlich DACEyPy.
• Erfahrung mit MCMC, Bayesscher Modellierung, Finite-Elemente- oder Finite-Differenzen-Methoden, netzbasierter numerischer Modellierung, rechnerischer Topologie, differenzieller Algebra oder anderen spezialisierten Python-basierten rechnerischen Methoden in Mathematik und Statistik ist wertvoll.

Was einen starken Kandidaten ausmacht:

• Sie haben eine Ausbildung auf Graduiertenebene (MS oder PhD bevorzugt) im oben genannten Bereich, mit echter praktischer Erfahrung in der Nutzung der spezifischen Softwaretools, nicht nur theoretischem Wissen über das Feld.
• Sie haben Code geschrieben, der diese Bibliotheken verwendet, um tatsächliche Forschungsprobleme zu lösen, und Sie verstehen, wo sie versagen, was ihre Randfälle sind und was ein Problem wirklich schwierig macht im Vergleich zu oberflächlich komplex.
• Über die Fachkenntnisse hinaus werden die stärksten Kandidaten in der Lage sein, wie ein Puzzle-Designer zu denken: Probleme zu konstruieren, bei denen die Schwierigkeit aus der Denkstrategie und nicht aus brutaler Berechnung resultiert, bei denen es mehrere plausible Ansätze gibt, aber nur sorgfältige Analyse die richtige Lösung offenbart, und bei denen oberflächliches Mustererkennen nicht zur Antwort führt.

Anforderungen:

• Ausbildung auf Graduiertenebene in einem relevanten STEM-Bereich (MS, PhD oder gleichwertige Forschungserfahrung)
• Nachgewiesene Kompetenz mit mindestens einer der aufgeführten wissenschaftlichen Softwarebibliotheken, belegt durch Forschungsarbeiten, Open-Source-Beiträge oder berufliche Tätigkeiten
• Starke Python-Programmierfähigkeiten – Sie werden Problemsetups, Oracle-Funktionen und Lösungsvalidierer schreiben
• Fähigkeit, unabhängig zu arbeiten und das Problemdesign basierend auf Kalibrierungsfeedback zu iterieren
• Komfortable Arbeit in einer Linux-/Terminalumgebung mit Remote-Compute-Sandboxes
• Verfügbarkeit für mindestens 15–20 Stunden pro Woche

Schön zu haben:

• Erfahrung in mehreren der aufgeführten Bereiche oder Tools
• Vertrautheit mit Benchmark- oder Evaluierungsdesign
• Hintergrund in wissenschaftlicher Pädagogik oder Prüfungs-/Problemset-Design
• Erfahrung mit rechnerischer Reproduzierbarkeit und containerisierten Umgebungen