ML-ingenjör

Denna roll är för Nebius AI R&D, ett team fokuserat på tillämpad forskning inom AI. Vår forskning inom fysisk AI syftar till att bygga intelligenta agenter som kan uppfatta, resonera och agera i den fysiska världen. Forskningsområden inkluderar: Vision-language-action-modeller för generella robotkontroller Förstärkningsinlärning och imitationsinlärning från mänskliga demonstrationer, simulering och verkliga erfarenheter Skalbar insamling, generering och kurering av multimodal förkroppsligad data Simulering, världsmodeller och sim-to-real-överföring Multimodal sensing, inklusive syn, beröring, kraft och proprioception Du kommer att modifiera stora grundmodeller och inlärningsalgoritmer för robotagenter, prototypa nya funktioner i simulering och validera lovande tillvägagångssätt på verkliga system. Resultaten kommer ofta att leda till samarbete med närliggande forsknings-, infrastruktur- och ingenjörsteam, där fynd skalas och tillämpas i praktiken. Vi söker för närvarande ML-ingenjörer på senior- och staff-nivå för att arbeta med forskning inom områden som: Vision-language-action-modeller och multimodala grundmodeller för robotik Förstärkningsinlärning, imitationsinlärning och inlärning från demonstrationer Skalbar förvärvning och generering av mänsklig, robot- och simulerad interaktionsdata Världsmodeller, planering och modellbaserad kontroll Sim-to-real-överföring, domänanpassning och robust utvärdering av policyer Dexter manipulation, helkroppskontroll och generella robotagenter Exempel på ansvarsområden kan vara: Design, implementering, träning och utvärdering av stora modeller och inlärningsalgoritmer för robotagenter Utveckling av vision-language-action-arkitekturer som kopplar samman multimodal perception och språkförståelse med fysisk kontroll Undersökning av förstärkningsinlärnings- och imitationsinlärningsmetoder för glesa, fördröjda eller svårverifierade mål Byggande av skalbara metoder för att införliva demonstrationer, teleoperationsdata, video, simuleringsbanor och autonoma roboterfarenheter i grundmodeller Design av insamlingsmetoder, dataset, utvärderingsprotokoll och datakvalitetspipelines för förkroppsligad inlärning Utveckling av simuleringsmiljöer och genomförande av sim-to-real-experiment på fysiska robotplattformar Utforskning av planering, guidad generering och sökning över aktionsbanor Prototyping av nya funktioner inom områden som dexter manipulation, mobil manipulation och helkroppskontroll Skrivande av robust forskningsmjukvara och distribuerad träningsinfrastruktur som möjliggör snabba experiment Samarbete med forsknings- och ingenjörsteam för att översätta lovande idéer till tillförlitliga verkliga system Kommunicera resultat genom tekniska rapporter, open-source-släpp, demonstrationer och forskningspublikationer Vi förväntar oss att du har: En djup förståelse för de teoretiska grunderna inom maskininlärning, förstärkningsinlärning eller robotinlärning Djup expertis inom minst ett relevant område, såsom förstärkningsinlärning, imitationsinlärning, multimodal generativ modellering, datorseende, robotik, planering eller kontroll Erfarenhet av att träna och utvärdera moderna deep learning-modeller, inklusive transformer-baserade eller multimodala grundmodeller Betydande erfarenhet av att träna stora modeller över flera beräkningsnoder Starka färdigheter inom mjukvaruteknik och algoritmdesign; vi använder främst Python Djup erfarenhet av ett modernt deep learning-ramverk; vi använder främst JAX Erfarenhet av att designa, utföra och analysera maskininlärningsexperiment med lämplig statistisk stringens Förmåga att formulera meningsfulla forskningsfrågor, designa experiment som testar tydliga hypoteser och dra försvarbara slutsatser Erfarenhet av att implementera forskningsidéer och iterera snabbt genom modellering, data, infrastruktur och utvärdering Starka kommunikations- och ledarskapsförmågor, inklusive förmågan att samarbeta över forsknings- och ingenjörsdiscipliner Förmåga att dokumentera forskningsfynd tydligt och bidra till tekniska rapporter eller forskningspublikationer Bra att ha: Erfarenhet av att arbeta med verkliga robotar och robotiksimuleringsmiljöer Erfarenhet av dexter manipulation, helarmsmanipulation, mobil manipulation eller humanoid robotik Erfarenhet av multimodal sensing, inklusive taktila, kraft-vridmoment, djup- och proprioceptiva signaler Erfarenhet av att samla in mänskliga demonstrationer via teleoperation, motion capture, bärbara enheter eller observation Erfarenhet av att utveckla eller efterträna vision-language-modeller, vision-language-action-modeller eller video- och världsmodeller Erfarenhet av deep reinforcement learning-tekniker såsom offline RL, actor-critic-metoder, PPO, reward-modellering, preferensinlärning eller modellbaserad RL Kännedom om robotikverktyg och simulatorer som MuJoCo, Isaac Sim, Isaac Lab, PyBullet, ROS eller motsvarande system Kunskap om skalbara träningsmetoder som FSDP eller ZeRO, FlashAttention, mixed-precision-träning, kvantisering och distribuerad checkpointing En doktorsexamen i datavetenskap, robotik, maskininlärning, artificiell intelligens eller ett relaterat tekniskt fält, eller motsvarande praktisk erfarenhet En meritlista av inflytelserika publikationer, open-source-bidrag eller distribuerade robotsystem Erfarenhet av att konstruera stora distribuerade databehandlings-, simulerings- eller modellträningssystem En historik av att bygga och leverera produkter eller forskningsprototyper i en dynamisk, startup-liknande miljö Passion för att flytta forskning från kontrollerade experiment till kapabla, tillförlitliga verkliga robotsystem Utmärkt behärskning av engelska, med stark teknisk skrivförmåga, presentation och kommunikation Skicklighet i samtida mjukvarutekniska metoder, inklusive versionshantering, testning, kodgranskning och CI/CD