Künstliche Intelligenz Ingenieur

Bei Syn2core entwickeln wir AI Copilot, einen KI-Assistenten, der auf Smart Glasses läuft, um Arbeiter an der Produktionslinie in Echtzeit zu unterstützen. Unser System streamt und verarbeitet Daten (Video, Audio, IMU-Sensordaten) in Echtzeit und liefert direktes Audio-Feedback an den Arbeiter. Wir setzen es in den Produktionslinien der Automobilindustrie weltweit ein - datenschutzorientiert von Anfang an: alles, was wir speichern, wird bei der Erfassung anonymisiert. Unsere langfristige Vision: Die egocentrischen Daten, die wir sammeln, sind Treibstoff für das Training der nächsten Generation von Robotern - wir positionieren uns im Herzen des Rennens um autonome Roboter für den industriellen Einsatz in der Automobil-, Luftfahrt-, Raumfahrtindustrie und darüber hinaus.

Die Rolle: Unsere Kunden akzeptieren unser System durch formale Tests mit strengen Rückruf- und Fehlalarmgrenzen - daher müssen unsere Modelle nachweislich funktionieren: welche Gewichte, auf welchen Daten trainiert, mit welcher Konfiguration, immer beantwortbar. Sie werden diese Maschinen von Anfang bis Ende besitzen und damit zwei unserer schwierigsten ML-Probleme: synthetische Datengenerierung für seltene Anomalien und räumliches Denken - zu wissen, an welchem Fahrzeug ein Arbeiter handelt, während er sich zwischen Autos bewegt, unter Verwendung von SLAM, kombiniert mit Fahrzeugidentitätssignalen.

Was Sie tun werden:

• Die Maschinen bauen, die Modelle nachweisbar machen - Trainingspipelines, Experimentverfolgung, Modellregister: vollständige Nachverfolgbarkeit vom Datensatz zu den bereitgestellten Gewichten, plus die Evaluierungswerkzeuge, auf die wir die Akzeptanz der Kunden stützen.
• Datenknappheit lösen - simulationsbasierte synthetische Datenpipelines für Anomalieklassen, die echte Fabriken zu gut produzieren sind.
• Das System über die Vision hinausbringen - unsere Audio-Modaliät produktiv machen; Entwicklung der Zuordnung von Arbeiter und Fahrzeug mit SLAM und Fahrzeugidentitätssignalen.
• Am Edge versenden - die Anonymisierungsmodelle besitzen, von denen unsere Datenschutzgarantien abhängen; alles für begrenzte GPU/CPU-Ressourcen auf Fabrikhardware optimieren.

Was Sie erhalten:

• Die ML-Produktionskultur eines Unternehmens, die Sie von Anfang an gestalten - Register, Verfolgung, Bewertungen, auf Ihre Weise.
• Multimodale Probleme (Vision, Audio, Raum) - die meisten Teams haben nur eines, mit Daten, die sonst niemand hat.
• Ihre Modelle in echten Produktionslinien bei großen OEMs innerhalb von Wochen, mit messbaren Einsätzen.

Wo Sie in 12 Monaten sein werden:

• Jedes Modell, das die Akzeptanz des Kunden besteht, ist reproduzierbar aus dem Register.
• Eine seltene Anomalieklasse hat ihr Rückrufziel mit synthetischen Daten erreicht.
• Audio ist live in einem Einsatz, und die SLAM-basierte Zuordnung von Arbeiter und Fahrzeug ist auf einer echten Linie validiert.

Wer Sie sind:

• Sie berichten die echte Zahl, besonders wenn sie schlecht ist - die Akzeptanztests unserer Kunden lassen keinen Raum für schmeichelhafte Bewertungen.
• Sie bauen Maschinen, die Modelle bauen: Reproduzierbarkeit über Heldentaten.
• Sie ziehen es vor, ein Problem einmal allgemein zu lösen, anstatt es fünfmal schnell zu lösen.
• Sie erkunden breit, dann konvergieren und verpflichten sich.
• Sie sind kreativ im Umgang mit Datenknappheit - Synthese, Augmentation, Simulation.

Ihre Erfahrung: Must have:

• Starke PyTorch- und Produktions-ML-Erfahrung (Erkennung / Klassifizierung / Verfolgung).
• SLAM / räumliche Wahrnehmung, die in der Produktion verwendet wird, nicht nur im Studium.
• Modelloptimierung für Edge-Hardware (z.B. ONNX, TensorRT).

Ways to stand out:

• Fertigung, Robotik oder andere physische Bereiche.