Research Scientist, Foundational Data Science

Wer wir sind: Foundation-Modelle haben Text und Bilder transformiert. Strukturierte Daten - das größte und bedeutendste Datenformat der Welt - blieben unberührt. Tabellen steuern jede klinische Studie, jedes Finanzmodell, jedes wissenschaftliche Experiment, jede Geschäftsentscheidung, und niemand hat ein Foundation-Modell entwickelt, das sie wirklich versteht. Bis jetzt. Was LLMs für Sprache getan haben, tun wir für Tabellen. Der nächste Modalitätswechsel in der KI findet statt, und wir stellen das Team ein, das es möglich macht.

Momentum: Wir haben tabellarische Foundation-Modelle entwickelt und sind nun die weltweit führende Organisation im Bereich strukturierte Daten ML. Unser TabPFN v2 Modell wurde als Titelgeschichte in Nature veröffentlicht und setzte einen neuen Maßstab für tabellarisches maschinelles Lernen. Seit der Veröffentlichung haben wir die Modellfähigkeiten um über 20x skaliert, über 3,5 Millionen Downloads und mehr als 7.500 GitHub-Sterne erreicht und sehen eine beschleunigte Akzeptanz in Forschung und Industrie - von der Erkennung von Lungenerkrankungen mit Oxford Cancer Analytics bis zur Verhinderung von Zugausfällen mit Hitachi und der Verbesserung von Entscheidungen in klinischen Studien mit BostonGene.

Unser Team: Wir sind ein kleines, hochselektives Team von über 30 Ingenieuren, Forschern und GTM-Spezialisten mit Hintergründen aus Google, Apple, Amazon, DeepMind, Meta, Microsoft Research, G‑Research, Jane Street, Goldman Sachs und CERN. Wir werden von Frank Hutter, Noah Hollmann und Sauraj Gambhir geleitet und von weltweit führenden KI-Forschern wie Bernhard Schölkopf und dem Turing-Preisträger Yann LeCun beraten. Wir arbeiten schnell, betreiben erstklassige Forschung und halten uns gegenseitig an einen extrem hohen Standard.

Was Sie tun werden: Diese Rolle ist grundlegende Datenwissenschaft: den Grundstein für tabellarische Foundation-Modelle zu legen, damit ein einzelnes Modell Datenwissenschaftsprobleme in vollem Umfang lösen kann. Ungefähr die Hälfte der Arbeit besteht darin, neue Grenzwerkzeuge für TFMs zu erfinden, und die andere Hälfte besteht darin, das Dataset und die Benchmark-Basis zu erstellen, auf denen sie stehen. Erfinden und bauen Sie die Grenzwerkzeuge, die TabPFN erweitern, einschließlich seiner Denk-, Skalierungs- und agentischen Fähigkeiten sowie der neuen Methoden, die es einem Modell ermöglichen, sich über die gesamte Landschaft der Datenwissenschaftsprobleme zu verallgemeinern. Dies ist der offenste Teil der Arbeit und wächst im Laufe der Zeit. Setzen Sie die Forschungsrichtung, indem Sie entscheiden, welche Modellfähigkeiten und Benchmarks es wert sind, verfolgt zu werden, und wählen Sie aus, was es wert ist, gelöst zu werden, anstatt einen Score zu optimieren, den jemand anderes festgelegt hat. Bringen Sie externe Forschung und echte Kundenbedürfnisse ein, um neue Modell- und Werkzeugrichtungen zu gestalten, und veröffentlichen Sie Grenzresultate, die das Feld voranbringen. Bauen Sie vertrauenswürdige Benchmarks aus den strukturierten Daten hinter realen, hochwirksamen Problemen, damit das Team auf reale Leistung optimiert, anstatt auf ein Leaderboard. Implementieren Sie treu die Baselines und Wettbewerbsmodelle, die den Goldstandard der angewandten Datenwissenschaft setzen, und geben Sie dem Team einen Überblick darüber, wo TabPFN führt und wo Verbesserungsbedarf besteht. Bauen Sie eine automatisierte, agentische Pipeline mit einem Menschen im Loop, damit diese Daten- und Benchmark-Grundlage auf viel größere Volumina skaliert, ohne an Strenge zu verlieren, was selbst ein wirklich neues Werkzeug darstellt.

Was wir suchen: Sie haben Datenwissenschaftsprobleme in vielen Bereichen und Datensätzen auf hohem Niveau gelöst und optimieren für starke Leistung über eine ganze Reihe von Aufgaben hinweg, anstatt nur den besten Score in einem einzelnen Bereich zu erzielen. Sie arbeiten undogmatisch mit dem ML-Toolbox, einschließlich starker Ergebnisse mit gradienten-boosted trees (wie XGBoost) und nicht nur mit Deep Learning. Sie verstehen die gängigen Kategorien von Datensatzfehlern (Leckagen, Labelrauschen, Verteilungsschicht, Duplikation, falsch gekennzeichnete Ziele usw.) und warum jeder die Trainings- oder Benchmark-Signale korrumpiert. Sie sind begeistert von grundlegender Arbeit, schätzen das Dataset und die Benchmark-Basis ebenso sehr wie die Grenzwerkzeuge und haben schwierige Probleme angepackt, die andere übersehen haben. Sie gedeihen als Senior Individual Contributor in einer mehrdeutigen, frühen, prozessarmen Umgebung. Sie haben eine Meinung zu Best Practices in der Datenwissenschaft und können gute Urteilsentscheidungen zu Ansätzen für komplexe Probleme treffen.

Schön zu haben: Erfahrung im Aufbau oder der Erweiterung von Evaluierungsharnessen, Benchmark-Suiten oder Experimentierframeworks, auf die andere angewiesen sind. Erfahrung im Aufbau von LLM- oder agentenunterstützten Pipelines mit einem Menschen im Loop, um einen zuvor manuellen Workflow zu skalieren. Erfahrung als Bindeglied zwischen externer Forschung oder Kundenbedürfnissen und einem internen Modell- oder Produktfahrplan. Frühere Arbeiten zu tabellarischen, strukturierten Daten oder Foundation-Modellproblemen oder bei der Gestaltung eines aufkommenden Forschungsunterfeldes durch Community-Arbeit.

Das Leben bei Prior Labs: Wir sind ein kleines, ehrgeiziges Team, das eines der schwierigsten Probleme in der KI löst, und wir fangen gerade erst an. Sie werden eng mit weltklasse Forschern und Entwicklern zusammenarbeiten, die sich leidenschaftlich für die Qualität ihres Handwerks, die Auswirkungen ihrer Arbeit und die Menschen, mit denen sie arbeiten, einsetzen. Wir arbeiten schnell, denken rigoros und nehmen uns die Zeit, die Dinge richtig zu machen. Wenn Sie von schwierigen Problemen begeistert sind, von realen Auswirkungen motiviert sind und Teil des Aufbaus von etwas sein möchten, das wichtig ist, würden wir uns freuen, von Ihnen zu hören. Wir bauen unsere Teams in Berlin, Freiburg und New York auf und glauben, dass es wichtig ist, im selben Raum zu sein, wenn man an etwas so Schwierigen und Aufregendem wie TabPFN arbeitet. Die meisten unserer Rollen basieren in einem unserer Büros, aber großartige Menschen kommen von überall her, und in Ausnahmefällen sind wir offen für Remote-Arbeit. Dies beinhaltet normalerweise häufige Reisen zu einem unserer Büros, und das gesamte Unternehmen kommt regelmäßig zu Offsites zusammen, um gemeinsam zu denken, zu bauen und zu feiern.

Unsere Verpflichtungen: Wir glauben, dass die besten Produkte und Teams aus einer breiten Palette von Perspektiven, Erfahrungen und Hintergründen entstehen. Deshalb begrüßen wir Bewerbungen von Menschen aller Identitäten und Lebenswege, insbesondere von Personen, die sich jemals durch "nicht alle Kästchen abhaken" entmutigt gefühlt haben. Wir setzen uns dafür ein, ein sicheres, integratives Umfeld zu schaffen und Chancengleichheit unabhängig von Geschlecht, sexueller Orientierung, Herkunft, Behinderung oder einem anderen Merkmal, das Sie ausmacht, zu bieten. Wir kümmern uns darum, wie Ihre Daten behandelt werden. Lesen Sie unsere Datenschutzrichtlinie für die Rekrutierung, um genau zu erfahren, was wir sammeln, warum und wie lange wir es aufbewahren.