Research Scientist, Foundation Model

Prior Labs baut Foundation-Modelle, die tabellarische Daten verstehen, das Rückgrat von Wissenschaft und Wirtschaft. Foundation-Modelle haben Text und Bilder transformiert, aber strukturierte Daten sind weitgehend unberührt geblieben. Wir gehen diese 600-Milliarden-Dollar-Chance an, um grundlegend zu verändern, wie Organisationen mit wissenschaftlichen, medizinischen, finanziellen und geschäftlichen Daten arbeiten.

Wir sind die weltweit führende Organisation im Bereich strukturiertes Daten-ML. Unser TabPFN v2-Modell wurde in Nature veröffentlicht und hat einen neuen Stand der Technik für tabellarisches maschinelles Lernen gesetzt. Seit seiner Veröffentlichung haben wir die Modellfähigkeiten um mehr als das 20-fache skaliert, über 2,5 Millionen Downloads erreicht, mehr als 5.500 GitHub-Sterne erhalten und sehen eine beschleunigte Akzeptanz in Forschung und Industrie.

Wir sind ein kleines, hochselektives Team von über 20 Ingenieuren und Forschern, ausgewählt aus über 5.000 Bewerbungen, mit Hintergründen von Google, Apple, Amazon, Microsoft, G-Research, Jane Street, Goldman Sachs und CERN, geleitet von den Schöpfern von TabPFN und beraten von weltweit führenden KI-Forschern wie Bernhard Schölkopf und Turing-Preisträger Yann LeCun.

Sie werden zu den ersten Wissenschaftlern gehören, die eine völlig neue Klasse von KI-Modellen entwickeln. Unser neuester Durchbruch (TabPFN) übertrifft alle bestehenden Ansätze um Größenordnungen - und wir fangen gerade erst an. Dies ist eine seltene Gelegenheit, um:

• an grundlegenden Durchbrüchen in der KI zu arbeiten, nicht nur an inkrementellen Verbesserungen
• die Zukunft zu gestalten, wie Organisationen weltweit mit ihren wertvollsten Daten arbeiten
• zu einem perfekten Zeitpunkt beizutreten: Wir haben gerade bedeutende Mittel erhalten, haben starke frühe Fortschritte gemacht und skalieren schnell

Wir drücken die Grenzen dessen, was mit Transformer-Architekturen für strukturierte Daten möglich ist. Zu den wichtigsten Herausforderungen gehören:

• Skalierung unserer Transformer-Architekturen von 10.000 auf über 1 Million Proben bei gleichbleibender Leistung
• Aufbau multimodaler Modelle, die Text- und tabellarisches Verständnis kombinieren
• Entwicklung spezialisierter Architekturen für Zeitreihen, Prognosen und Anomalieerkennung
• Schaffung effizienter Inferenzmethoden für die Produktionsbereitstellung
• Forschung zum kausalen Verständnis in Foundation-Modellen
• Entwurf neuartiger Ansätze zur Handhabung mehrerer verwandter Tabellen

Qualifikationen:

• Doktortitel in Informatik, angewandter Mathematik, Statistik, Elektrotechnik oder einem verwandten Bereich
• Tiefe Erfahrung mit ML-Frameworks, insbesondere PyTorch und scikit-learn
• Starke Ingenieurgrundlagen mit hervorragenden Python-Kenntnissen
• Erfahrung in der Datenwissenschaft und der Arbeit mit tabellarischen Daten oder Zeitreihen
• Veröffentlichungen in erstklassigen Fachzeitschriften (NeurIPS, ICML, ICLR) oder bedeutende Open-Source-Beiträge

Standorte: Büros in Freiburg, Berlin, San Francisco und NYC, mit Flexibilität, an unseren Standorten zu arbeiten.

Wir glauben, dass die besten Produkte und Teams aus einer Vielzahl von Perspektiven, Erfahrungen und Hintergründen entstehen. Deshalb begrüßen wir Bewerbungen von Menschen aller Identitäten und Lebenswege, insbesondere von Personen, die sich jemals durch "nicht jede Box abzuhaken" entmutigt gefühlt haben. Wir setzen uns dafür ein, ein sicheres, integratives Umfeld zu schaffen und Chancengleichheit unabhängig von Geschlecht, sexueller Orientierung, Herkunft, Behinderungen oder anderen Eigenschaften zu bieten, die Sie ausmachen.