AI kutatási igazgató – AI az onkológiai klinikai fejlesztésben

Stack

Feladatok

• ▹Az AI-stratégia és roadmap meghatározása és vezetése az onkológiai korai és késői fázisú klinikai fejlesztéshez, az AI/ML prioritások összehangolása a klinikai és üzleti célokkal
• ▹Összetett, nagy téttel bíró AI-projektek szállításának vezetése mátrix-befolyással és szakmai tekintéllyel
• ▹Élvonalbeli AI-módszerek értékelése, fejlesztése és képviselete végponttól végpontig: problémameghatározás, adatkérdések, governance, algoritmusfejlesztés, validálás, bevezetés
• ▹Kapcsolatépítés a klinikai fejlesztési, biometriai, szabályozási és vizsgálati csapatokkal, hogy az AI-stratégia és a validált megoldások beépüljenek a klinikai vizsgálatok tervezésébe, végrehajtásába és döntéshozatalába
• ▹Külső együttműködések kiépítése és fenntartása akadémiai intézményekkel, technológiai partnerekkel és iparági konzorciumokkal
• ▹Az AstraZeneca képviselete tudományos konferenciákon, szabványügyi szervezeteknél és lektorált fórumokon; első vagy utolsó szerzős publikációk vezető ML- és klinikai AI-folyóiratokban
• ▹Bevált gyakorlatok kialakítása, a csapatkultúra formálása és építése
• ▹Junior tudósok mentorálása és támogatása

Elvárások

• ▹PhD kvantitatív területen, például számítástechnikán, bioinformatikán, számításos biológián, matematikán, fizikán, biofizikán, számításos idegtudományon vagy biostatisztikán
• ▹4-8 év munkatapasztalat a PhD-n kívül, mérhető hatással (pl. szállított modellek, szabadalmak, SaMD-beadványok, első szerzős publikációk, nyílt forráskódú projektek, szabványügyi részvétel)
• ▹Kiváló szoftverfejlesztési és kódolási készség, frontier coding agent keretrendszerek használatával
• ▹A biológia egy vagy több területének mély ismerete
• ▹A gépi tanulás alapjainak mély ismerete, szakterületi jártassággal a következők közül egy vagy több területen: foundation modellek tanítása és hangolása, Bayes-i következtetés, időbeli modellezés, multimodális integráció és modellezés, modellkalibráció és domain adaptáció, adatközpontú AI (adathalmazok beszerzése, létrehozása és gondozása tanításhoz, utótanításhoz, benchmarkhoz és kiértékeléshez), modell- és adatkiértékelés, benchmarking, modellértelmezhetőség, modell utótanítása és alignment

Előny

• ▹Mély szakértelem a rákbiológiában
• ▹Biológiai adatokkal (molekuláris: DNS, RNS, fehérje; képalkotó: radiológia, mikroszkópia; klinikai szöveg: EHR, klinikai jegyzetek) szerzett tapasztalat
• ▹Gyógyszerfejlesztési tapasztalat, például klinikai vizsgálat tervezése, biomarker-felfedezés, companion diagnostics, adagolás, biztonság, végpontok, szabályozás
• ▹Mátrixszervezetben szerzett tapasztalat, amely több telephelyet és terápiás területet fog át
• ▹A számítástechnikai hardver ismerete előny

Soft skillek

A munkáltatóról

Az AstraZeneca AI Science & Innovation csoportja a vállalat K+F AI-transzformációjának középpontjában áll: AI-modelleket és ágenseket épít a felfedezéstől a klinikai fejlesztésig.