Applied Machine Learning Engineer, Industry Solutions

Il Ruolo L'Applied Machine Learning Engineer sarà un membro del team di AI Applied Research di Terra Quantum. Questo team costruisce e fornisce soluzioni di machine learning end-to-end per clienti industriali in settori quali la previsione di serie temporali, l'ottimizzazione, la computer vision, l'elaborazione del linguaggio naturale e la generative AI. L'Engineer si occuperà dell'artigianato del machine learning classico che rende funzionali tali soluzioni, dall'esplorazione dei dati e dall'ingegneria delle caratteristiche (feature engineering) fino alla selezione del modello, l'ottimizzazione degli iperparametri, le pipeline di addestramento, la valutazione e la consegna al cliente. Un sottoinsieme dei modelli costruiti dal team incorpora uno strato quantistico; ci si aspetta che l'Engineer tratti tale strato come un componente architettonico di una pipeline altrimenti classica, applicando l'intero toolkit di metodi ML classici (inclusi i metodi basati su alberi, il boosting, il deep learning e l'ottimizzazione classica) per far sì che le soluzioni ibride operino in modo affidabile su dati industriali reali. L'Applied Machine Learning Engineer svolge un ruolo nel promuovere l'eccellenza all'interno del proprio team. Non è solo orientato ai dettagli, ma possiede anche una straordinaria capacità di entusiasmo. Dimostrando impegno e passione per la missione, ispira i membri del proprio team a contribuire a rendere le tecnologie quantistiche ampiamente accessibili e a produrre un cambiamento positivo a livello globale. Le Responsabilità L'Applied Machine Learning Engineer dovrà lavorare in un'area e supportare in un'altra delle seguenti attività del team di AI Applied Research. Costruire e fornire soluzioni di machine learning per l'industria Progettare pipeline ML end-to-end per problemi dei clienti in serie temporali, routing e pianificazione, GenAI, elaborazione del linguaggio naturale, computer vision e modellazione predittiva Scegliere il metodo classico corretto per il problema (alberi potenziati dal gradiente come XGBoost o LightGBM, random forests, reti neurali profonde, metodi kernel, ottimizzatori classici) in base alle caratteristiche dei dati, non in base alla preferenza del framework Trattare lo strato quantistico (quando presente) come un componente vincolato del modello e utilizzare l'artigianato ML classico (feature engineering, regolarizzazione, programmi di addestramento, scansioni degli iperparametri) per far funzionare la pipeline ibrida Artigianato del machine learning classico al servizio di modelli ibridi Eseguire bene le parti meno attraenti di una pipeline ML: pulizia dei dati, protezione dai leakage, progettazione della cross-validation, costruzione di baseline, test di significatività statistica Progettare rappresentazioni delle caratteristiche che si allineino con la componente quantistica quando presente, incluse le caratteristiche dello spettro di Fourier e altre codifiche consapevoli del quantum che i modelli classici possono anche consumare Profilare e migliorare la stabilità dell'addestramento quando i gradienti sono rumorosi o non standard, in collaborazione con il team di ricerca quantistica Contribuire alle nostre librerie ML interne e all'SDK in modo che i futuri impegni con i clienti possano riutilizzare ciò che un impegno ha costruito Supportare la ricerca e lo sviluppo di prodotti applicati Tradurre gli algoritmi e gli ansätze di quantum machine learning proposti dal team di ricerca in implementazioni testabili all'interno di pipeline ML classiche Aiutare a valutare dove e perché uno strato quantistico aggiunge un beneficio misurabile nei compiti applicati e, altrettanto importante, dove non lo fa I Requisiti Ci si aspetta che l'Applied Machine Learning Engineer possieda diverse qualifiche a seconda dell'area di attività. Laurea Magistrale completata in informatica, matematica applicata, data science, statistica, ingegneria, fisica o materia equivalente Esperienza pratica con il machine learning classico attraverso corsi di studio, un tirocinio industriale, un progetto di ricerca o un primo ruolo junior, e un chiaro interesse a continuare nel ML applicato Forte padronanza di Python, lo stack standard di data science (NumPy, pandas, scikit-learn) e almeno un framework di deep learning (PyTorch o TensorFlow) Padronanza del toolkit ML classico oltre al deep learning, inclusi i metodi basati su alberi (XGBoost, LightGBM, random forests), il gradient boosting e i metodi kernel, con buon giudizio su quale metodo si adatta a quale problema Esperienza nella progettazione di esperimenti rigorosi (cross-validation, costruzione di baseline, test statistici, valutazione hold-out) e nel riportare i risultati onestamente con l'appropriatezza dell'incertezza Fondamenti di ingegneria del software: controllo di versione con Git, testing, ambienti riproducibili, esperimenti guidati dalla configurazione Curiosità per il quantum computing e volontà di apprendere i concetti quantistici necessari sul campo. La formazione quantistica formale non è richiesta, e l'esperienza con framework come PennyLane, Qiskit o Cirq è un plus piuttosto che un requisito La familiarità con almeno un verticale di ML applicato come la previsione di serie temporali, NLP, computer vision o l'ottimizzazione industriale è un plus Orientato agli obiettivi e analitico, con la capacità di lavorare indipendentemente e come parte di un team interdisciplinare Competenza in inglese scritto e parlato I candidati devono avere il diritto legale di vivere e lavorare nell'Unione Europea o in Svizzera. Sfortunatamente, non siamo in grado di offrire sponsorizzazione per il visto per questo ruolo. I Premi Siamo un team internazionale di esperti in tecnologie quantistiche e creativi aziendali dedicati che lavorano per portare soluzioni abilitate dal quantum sul mercato globale. I nostri brillanti membri del team godono di un alto grado di libertà lavorando da remoto o unendosi a un