Computational Statistics Expert - PhD

Computational Statistics und Angewandte Mathematik Experte

Über das Projekt

Wir bauen einen großangelegten Benchmark, um zu testen, wie gut fortschrittliche KI-Systeme schwierige wissenschaftliche und ingenieurtechnische Probleme lösen können. Als Aufgabendesigner werden Sie herausfordernde rechnerische Probleme erstellen, die überprüfen, ob KI in der Lage ist, echte wissenschaftliche Software für Forschungsarbeiten zu nutzen – Simulationen durchzuführen, Ergebnisse zu interpretieren, Experimente zu entwerfen und verborgene Informationen aus Daten zu entdecken. Dies ist kein typischer Job im Bereich Datenkennzeichnung. Sie werden originale, auf Graduatenniveau basierende Probleme entwerfen, die auf realen wissenschaftlichen Arbeitsabläufen basieren, diese gegen modernste KI-Modelle testen und sie so lange verfeinern, bis der Schwierigkeitsgrad genau stimmt.

Was Sie tun werden

• Sie erstellen Probleme, die den geschickten Einsatz spezialisierter statistischer, mathematischer oder wissenschaftlicher Softwarepakete erfordern.
• Einige werden die KI auffordern, reproduzierbare numerische Antworten aus einem vollständig definierten Setup zu berechnen – dabei wird getestet, ob sie komplexe, mehrstufige Arbeitsabläufe korrekt durchführen kann.
• Andere werden schwieriger sein: Die KI muss eine Reihe von Abfragen oder Experimenten planen, um Informationen zu entdecken, die nicht direkt sichtbar sind, was bedeutet, strategisch darüber nachzudenken, was gemessen werden soll, wie man teilweise Ergebnisse liest und wie man die Möglichkeiten effizient eingrenzt.

Jedes Problem durchläuft eine Testschleife gegen modernste KI-Modelle, und Sie werden es verfeinern, bis es den Zielschwierigkeitsgrad erreicht.

Bereiche & Werkzeuge, für die wir einstellen

Wir begrüßen Statistiker und angewandte Mathematiker, die in einer Vielzahl von Spezialisierungen arbeiten. Sie müssen nicht mit jedem unten aufgeführten Paket Erfahrung haben; starke Expertise mit einem oder mehreren spezialisierten Rechenpaketen ist ausreichend. Wir sind besonders an Experten mit tiefgehender, praktischer Erfahrung mit einem oder mehreren spezialisierten R- oder Python-Paketen interessiert, einschließlich Beispielen wie:

• Bayesianische Statistik: rstan, cmdstanr, rjags, runjags, brms, rstanarm, nimble, bayesplot, posterior, loo
• Item-Response-Theorie und Psychometrie: TAM, sirt, mirt, mirtCAT, eRm, ltm, lordif, psych
• Strukturelle Gleichungs- und latente Variablenmodellierung: lavaan, semTools, OpenMx
• Topologische Datenanalyse: TDAstats, TDApplied
• Differentialgleichungen und dynamische Systeme: deSolve, pomp, FME
• Zustandsraum- und Zeitreihenmodellierung: KFAS, MARSS, forecast, vars, urca, rugarch, rmgarch, tseries, timeSeries
• Überlebens- und Ereignisverlauf-Analyse: survival, flexsurv, timereg, mets
• Gemischte, additive und fortgeschrittene Regressionsmodelle: lme4, nlme, mgcv, glmmTMB, TMB, quantreg, scam
• Räumliche Statistik und Geostatistik: spatstat, spatstat.geom, spatstat.linnet, spdep, gstat, geoR, spBayes, sf, stars, terra, lwgeom
• Statistisches Lernen und spezialisierte Modellierung: mclust, kernlab, earth, pROC, multcomp, sandwich, effectsize, irr
• Optimierung und mathematische Programmierung: lpSolve, linprog, nloptr, DEoptimR, SQUAREM
• Numerische lineare Algebra und hochpräzise Berechnung: RSpectra, Rmpfr, gmp, pracma
• Rechnergeometrie: geometry, deldir, polyclip

Andere ähnliche spezialisierte statistische, mathematische, wissenschaftliche oder domänenspezifische R-Pakete werden ebenfalls berücksichtigt. Andere ähnliche spezialisierte statistische oder mathematische Python/Scilab-Pakete sind ebenfalls willkommen, wie statsmodels und PyMC. Numerische Berechnungen und wissenschaftliche Modellierung in Matlab/Scilab sind ebenfalls gewünscht.

Was einen starken Kandidaten ausmacht

• Sie haben eine Ausbildung auf Graduatenniveau (MS oder PhD erforderlich; PhD bevorzugt oder MS mit über 10 Jahren relevanter Erfahrung) in Statistik, angewandter Mathematik oder einem eng verwandten quantitativen Bereich, mit praktischer Erfahrung in der Nutzung spezialisierter Rechenpakete – nicht nur theoretischem Wissen.
• Sie haben Code geschrieben, der eines oder mehrerer spezialisierter statistischer, mathematischer oder wissenschaftlicher Pakete verwendet, um tatsächliche Forschungs- oder Berufsprobleme zu lösen, und Sie verstehen, wo diese Werkzeuge versagen, was ihre Randfälle sind und was ein Problem wirklich schwierig macht, anstatt nur kompliziert.
• Tiefe Expertise mit einem oder mehreren spezialisierten Rechenpaketen ist wichtiger als Vertrautheit mit der gesamten oben genannten Paketliste.
• Über die Fachkompetenz hinaus denken die besten Kandidaten wie Puzzle-Designer: Sie bauen Probleme, bei denen die Herausforderung aus klugem Denken und nicht aus reiner Berechnung resultiert, bei denen mehrere Ansätze plausibel erscheinen, aber nur sorgfältige Analyse die richtige Lösung offenbart, und bei denen oberflächliches Mustererkennen nicht zur Antwort führt.

Anforderungen

• Ausbildung auf Graduatenniveau in Statistik, angewandter Mathematik, einem relevanten STEM-Bereich oder gleichwertiger Forschungserfahrung
• Nachgewiesene Kompetenz in mindestens einem spezialisierten statistischen, mathematischen oder wissenschaftlichen Softwarepaket, belegt durch Forschungsarbeiten, Open-Source-Beiträge oder berufliche Tätigkeiten
• Starke Python-Kenntnisse – Sie werden Problemstellungen, Oracle-Funktionen und Lösungsvalidierer schreiben
• Fähigkeit, unabhängig zu arbeiten und Problemdesigns basierend auf Feedback zu verfeinern
• Komfortable Arbeit in einer Linux-/Terminalumgebung mit Remote-Compute-Sandboxen
• Verfügbarkeit für mindestens 15–20 Stunden pro Woche

Schön zu haben

• Erfahrung in mehreren rechnerischen Bereichen oder spezialisierten Softwarepaketen
• Vertrautheit mit Benchmark- oder Evaluationsdesign
• Hintergrund in wissenschaftlichem Unterricht oder Prüfungs-/Problemset-Design
• Erfahrung mit rechnerischer Reproduzierbarkeit und containerisierten Umgebungen