Applied Machine Learning Engineer, Industry Solutions

Le Rôle L'Applied Machine Learning Engineer sera membre de l'équipe AI Applied Research de Terra Quantum. Cette équipe construit et livre des solutions de machine learning de bout en bout pour des clients industriels dans les domaines de la prévision de séries temporelles, de l'optimisation, de la vision par ordinateur, du traitement du langage naturel et de l'IA générative. L'Engineer sera responsable du savoir-faire en machine learning classique qui permet à ces solutions de fonctionner, de l'exploration des données et l'ingénierie des caractéristiques (feature engineering) jusqu'à la sélection de modèles, l'optimisation des hyperparamètres, les pipelines d'entraînement, l'évaluation et la livraison au client. Un sous-ensemble des modèles construits par l'équipe intègre une couche quantique ; l'Engineer est censé traiter cette couche comme un composant architectural d'un pipeline par ailleurs classique, et appliquer l'ensemble de la boîte à outils des méthodes de ML classique (y compris les méthodes basées sur les arbres, le boosting, le deep learning et l'optimisation classique) pour que les solutions hybrides fonctionnent de manière fiable sur des données industrielles réelles. L'Applied Machine Learning Engineer joue un rôle dans la promotion de l'excellence au sein de son équipe. Il/Elle est non seulement orienté(e) vers les détails mais possède également une capacité d'enthousiasme remarquable. En faisant preuve d'engagement et de passion pour la mission, il/elle inspire les membres de son équipe à contribuer à rendre les technologies quantiques largement accessibles et à exercer un changement positif à l'échelle mondiale. Les Responsabilités L'Applied Machine Learning Engineer doit s'attendre à travailler dans l'un et à soutenir dans l'autre des domaines des activités suivantes de l'équipe AI Applied Research. Construire et livrer des solutions de machine learning industrielles Concevoir des pipelines ML de bout en bout pour les problèmes des clients en séries temporelles, routage et planification, GenAI, traitement du langage naturel, vision par ordinateur et modélisation prédictive Choisir la bonne méthode classique pour le problème (arbres boostés par gradient tels que XGBoost ou LightGBM, forêts aléatoires, réseaux de neurones profonds, méthodes à noyau, optimiseurs classiques) en fonction des caractéristiques des données, et non de la préférence pour un framework Traiter la couche quantique (lorsqu'elle est présente) comme un composant contraint du modèle et utiliser le savoir-faire du ML classique (ingénierie des caractéristiques, régularisation, programmes d'entraînement, balayages d'hyperparamètres) pour faire fonctionner le pipeline hybride Savoir-faire en machine learning classique au service des modèles hybrides Bien réaliser les parties moins attrayantes d'un pipeline ML : nettoyage des données, protection contre les fuites (leakage), conception de la validation croisée, construction de bases de référence (baselines), tests de signification statistique Concevoir des représentations de caractéristiques qui s'alignent avec le composant quantique lorsqu'il est présent, y compris des caractéristiques de spectre de Fourier et d'autres encodages conscients du quantique que les modèles classiques peuvent également consommer Profiler et améliorer la stabilité de l'entraînement lorsque les gradients sont bruités ou non standards, en coopération avec l'équipe de recherche quantique Contribuer à nos bibliothèques ML internes et à notre SDK afin que les futurs engagements clients puissent réutiliser ce qui a été construit lors d'un engagement précédent Soutenir la recherche et le développement de produits appliqués Traduire les algorithmes et ansätze de machine learning quantique proposés par l'équipe de recherche en implémentations testables au sein de pipelines ML classiques Aider à évaluer où et pourquoi une couche quantique apporte un avantage mesurable sur des tâches appliquées, et, tout aussi important, où elle n'en apporte pas Les Exigences L'Applied Machine Learning Engineer doit posséder plusieurs qualifications selon le domaine d'activité. Diplôme de Master complété en informatique, mathématiques appliquées, science des données, statistiques, ingénierie, physique ou sujet équivalent Expérience pratique du machine learning classique par le biais de cours, d'un stage industriel, d'un projet de recherche ou d'un premier rôle junior, et un intérêt clair pour la poursuite du ML appliqué Solide maîtrise de Python, de la pile standard de la science des données (NumPy, pandas, scikit-learn), et d'au moins un framework de deep learning (PyTorch ou TensorFlow) Aisance avec la boîte à outils de ML classique au-delà du deep learning, y compris les méthodes basées sur les arbres (XGBoost, LightGBM, random forests), le gradient boosting et les méthodes à noyau, avec un bon jugement sur la méthode adaptée à chaque problème Expérience dans la conception d'expériences rigoureuses (validation croisée, construction de baseline, tests statistiques, évaluation sur échantillon test/hold-out) et le rapport honnête des résultats avec l'incertitude appropriée Fondamentaux du génie logiciel : contrôle de version avec Git, tests, environnements reproductibles, expériences pilotées par la configuration Curiosité pour l'informatique quantique et volonté d'acquérir les concepts quantiques nécessaires sur le terrain. Une formation formelle en quantique n'est pas requise, et l'expérience avec des frameworks tels que PennyLane, Qiskit ou Cirq est un plus plutôt qu'une exigence La familiarité avec au moins un domaine vertical du ML appliqué tel que la prévision de séries temporelles, le NLP, la vision par ordinateur ou l'optimisation industrielle est un plus Orienté(e) vers les objectifs et analytique, avec la capacité de travailler de manière indépendante et au sein d'une équipe interdisciplinaire Maîtrise de l'anglais écrit et parlé Les candidats doivent avoir le droit lég