AI kutatómérnök

Stack

Feladatok

• ▹Multi-agens és megerősítéses tanulási (RL) megközelítések tervezése és megvalósítása agentikus kódgeneráláshoz és tool use-hoz
• ▹Kutatási prototípusok építése, amelyek integrálódnak a platformmal; sikeres eredmények éles termékké alakítása mérnöki csapattal együttműködve
• ▹Kiértékelési csomagok készítése: feladat-specifikációk, pass/fail ellenőrzők, lefedettségi és költség/késleltetési dashboardok
• ▹Adathalmazok beszerzése és kurálása komplex technikai dokumentumokból (pl. chip-specifikációk), szintetikus adat generálása szükség esetén
• ▹Kísérletek elemzése fegyelmezett ablációkkal; eredmények és döntések dokumentálása
• ▹Naprakész tudás megőrzése az LLM-agensek, RL (offline/online, RLHF/RLAIF), korlátozott dekódolás és programszintézis területén

Elvárások

• ▹PhD fokozat számítástechnikából/AI-ból/ML-ből (vagy azzal egyenértékű kutatói tapasztalat), ideálisan multi-agens RL, agentikus AI vagy RL nyelvi/kód-feladatokra témájú publikációkkal
• ▹Erős Python és ML-keretrendszer tapasztalat (PyTorch preferált; JAX/HF előny)
• ▹Bizonyított képesség kutatás működő rendszerré alakítására; reprodukálhatósági szemlélet (tesztek, seedek, konfigurációk, naplózás)
• ▹Tapasztalat kiértékelő keretrendszerek és sikermutatók tervezésében szekvenciális/agentikus feladatokhoz
• ▹Kényelmes munkavégzés dokumentumokból és naplókból történő adatbeszerzéssel és kurálással, jó ösztön az adatminőség és licencelés terén

Előny

• ▹Kutatás programszintézis/kódgenerálás, korlátozott dekódolás vagy végrehajtás-alapú jutalmak témájában
• ▹Tapasztalat offline RL-lel tool-trace-ekből vagy emberi korrekciókból
• ▹Nyílt forráskódú hozzájárulások (pl. CleanRL, RLlib, AutoGen, LangGraph, CrewAI, Transformers)
• ▹Jártasság félvezető/chip-domainekben vagy más komplex technikai specifikációkban
• ▹Track record kutatás éles termékbe juttatásában és hatásmérésben

Soft skillek

A munkáltatóról

A Normal Computing olyan félvezetőket épít, amelyek a hőzajt akadály helyett számítási erőforrássá alakítják — sztochasztikus, memórián belüli, aszinkron architektúrával 10-100-szor több AI-inferenciát érnek el dollárra és wattra vetítve. A cég a teljes stacket együtt tervezi: AI-natív EDA-rendszereket a legnagyobb félvezetőgyártókkal, és az ezek által lehetővé tett fejlett ASIC-eket. Több mint 85 millió dolláros befektetést kapott vezető deep-tech befektetőktől, csapata New York, Silicon Valley, London, Koppenhága és Szöul városaiban dolgozik.