ML Research Engineer (Detect & Track Distillation)

ÜBER UNS Harmattan AI ist ein Defense-Prime der nächsten Generation, der autonome und skalierbare Verteidigungssysteme entwickelt. Nach dem Abschluss einer Series B über 200M USD, die das Unternehmen mit 1,4 Milliarden USD bewertet, erweitern wir unsere Teams und Kapazitäten, um missionskritische Systeme für verbündete Streitkräfte bereitzustellen. Unsere Arbeit wird von klaren Werten geleitet: Technologien mit realer Auswirkung zu entwickeln, Exzellenz in allem, was wir tun, anzustreben, ehrgeizige Ziele zu setzen und die schwierigsten technischen Herausforderungen anzunehmen. Wir arbeiten in einem anspruchsvollen Umfeld, in dem Gründlichkeit, Eigenverantwortung und Umsetzung erwartet werden. ÜBER DIE ROLLE Harmattan AI verschiebt massiv die Grenzen autonomer Systeme, bei denen die Wahrnehmung der Umgebung durch visuelle Hinweise eine entscheidende Komponente ist. Um eingehende visuelle Daten zu interpretieren und missionskritische nachgelagerte Entscheidungen zu ermöglichen, haben wir maßgeschneiderte Detektionsmodelle entwickelt. Da unser Produkt- und Projektportfolio wächst, diversifizieren wir unsere Bemühungen in diesem Bereich über mehrere Embedded-Plattformen hinweg. Als ML Research Engineer im Detect&Track Distillation Team werden Sie uns in einem sehr frühen Stadium unterstützen, was Ihnen die einzigartige Möglichkeit gibt, die technische Richtung des Teams maßgeblich zu beeinflussen. Mit Sitz in Lausanne, Paris oder Zurich werden Sie sich darauf konzentrieren, große Foundation Models zu nehmen und diese in hochoptimierte, aufgabenspezifische Komponenten zu destillieren. Ihre Arbeit wird die Zielerkennung (Target Detection), Klassifizierung und Ziel-Reidentifizierung über die Zeit umfassen und direkt die Hardware-Inferenz-Beschränkungen verschiedener Edge- und Embedded-Systeme angehen. VERANTWORTLICHKEITEN - Model Distillation & Finetuning: Große Foundation Models nehmen und sie in hochspezifische, effiziente Komponenten komprimieren/destillieren, die für kleinere Aufgaben und die Zielerkennung optimiert sind. - Edge AI Optimization: Neuronale Netze für beschränkte Embedded-Systeme unter Verwendung von Techniken wie Quantisierung (PTQ vs. QAT), Pruning und LoRA optimieren. - Pipeline Management & MLOps: Trainings-, Evaluierungs- und MLOps-Pipelines aufbauen, stark modifizieren und verwalten und dabei Reproduzierbarkeit, robustes Logging und Versionskontrolle sicherstellen. - Data Curation: An der Datenkuratierung und der Erstellung aufgabenspezifischer Datensätze mitwirken, um die Modellgenauigkeit ständig zu verbessern. - Benchmarking & Evaluation: Framework-Level-Benchmarking neu destillierter Modelle zur Bewertung von Leistung und Latenz, um sicherzustellen, dass die Ergebnisse vollständig auf reale operative Einsätze abgestimmt sind. - Research & Innovation: An der absoluten Spitze der wissenschaftlichen Trends in der Computer Vision und Quantisierungsforschung bleiben, um dem Team modernste Methodiken einzuführen. - Cross-Functional Collaboration: Eng mit dem Detect&Track Foundation Team, nachgelagerten System Engineers, Projektteams und Mission Intelligence zusammenarbeiten, um robuste Lösungen zu liefern. - Mentorship: Je nach Seniorität das Team durch das Management oder Mentoring von Junior Engineers unterstützen. ANFORDERUNGEN AN DEN KANDIDATEN - Bildungshintergrund: Eine starke akademische Bilanz mit einem Abschluss in einem MINT-Bereich (z. B. Informatik, Ingenieurwesen, Mathematik). - Deep Learning & Computer Vision: Nachgewiesene Erfahrung im Betrieb von Vision-Neural-Networks, der Entwicklung von Target-Detection-Architekturen oder dem Management von Re-Identification-Aufgaben. - Model Compression & Edge AI: Praktische Expertise in Knowledge Distillation, Modellkompression und dem Deployment von Netzwerken auf stark beschränkte Embedded-Systeme oder Edge-Hardware (z. B. Jetson, maßgeschneiderte NPUs, Wearables). - Technische Kompetenz & Infrastruktur: Kenntnisse in MLOps, GPU-Computing und dem Aufbau von Infrastruktur (wie Trainings-Pipeline-Templates und Loggern). - Berufliche Eigenschaften: - Hochgradig strukturiert, analytisch, aufgabenorientiert und forschungsorientiert. - Exzellente Kommunikations- und Beeinflussungsfähigkeiten mit der Fähigkeit, komplexe Benchmarking-Daten effektiv an nachgelagerte Benutzer und Senior Stakeholder zu übersetzen und zu präsentieren. - Blüht unter Druck in einem schnelllebigen Umfeld auf mit einer „Keine-Aufgabe-ist-zu-klein“-Mentalität beim Aufbau der grundlegenden Team-Infrastruktur. - Engagement: 100%ige Hingabe an die Mission, Vision und die ehrgeizigen Wachstumspläne von Harmattan AI, bereit, die Extrameile zu gehen, um operative Exzellenz zu gewährleisten. Wir freuen uns darauf zu hören, wie Sie helfen können, die Zukunft autonomer Verteidigungssysteme bei Harmattan AI zu gestalten.