Forward-deployed ML mérnök – ko-foldolás

Stack

Feladatok

• ▹ML alkalmazások építése és bevezetése a szerkezeti biológiában, különösen alapmodellek (OpenFold, Boltz-2, ESMFold) finomhangolása és kiterjesztése
• ▹Modellkiterjesztések tervezése konkrét feladatokra, például fehérjekomplexek és kötési affinitás előrejelzésére, az adatdesztillációtól a benchmarkig és kiértékelő pipeline-okig
• ▹Adat-előfeldolgozási, kiválasztási és benchmark-stratégiák meghatározása ügyfelekkel és akadémiai partnerekkel, fehérjeszerkezeteket, komplexeket és multimodális biológiai adatokat érintő új tanítási feladatokhoz
• ▹Esettanulmányok készítése tudományos és technikai szakértelemmel az ügyfeleknek; részvétel a teljes projektben a felméréstől az eredmények átadásáig
• ▹Skálázható ML modellek és a tanításhoz, inferenciához és éles üzemhez szükséges pipeline-ok tervezése, építése és karbantartása
• ▹Keresztfunkcionális együttműködés, hogy a modellek valós gyógyszerkutatási igényeket szolgáljanak
• ▹Hozzájárulás publikációkhoz és nyílt forráskódú projektekhez, ahol releváns
• ▹3. hónapra: az Apheris termék és a jelenlegi szerkezeti biológiai use case-ek mély megértése, részvétel legalább egy ügyfélprojektben
• ▹6. hónapra: ügyfélkész csomag az eredmények elemzéséhez, együttműködés az adatvédelmi csapattal a modellvisszafejtés kockázatáról, az Apheris-modellek elterjesztése az ügyfeleknél
• ▹12. hónapra: egy ügyfél-vezérelt ko-foldolási modellfejlesztési szál felelőse

Elvárások

• ▹Mély tapasztalat modern modellek éles, nagy léptékű építésében és tanításában (pl. AlphaFold, OpenFold, Boltz), modern MLOps eszközök ismerete
• ▹Tapasztalat az ML alkalmazásában valós fehérjeszerkezeti vagy gyógyszerkutatási problémákra
• ▹Startup-környezet és ügyfélprojektek iránti nyitottság
• ▹A szerkezeti biológia technikai kihívásainak ismerete, skálázható adat-előfeldolgozó, tanító és kiértékelő munkafolyamatok tervezése

Előny

• ▹Tapasztalat föderált tanulásban, adatvédelmet megőrző ML-ben vagy modelltanításban
• ▹Publikációk ML- vagy biológiai folyóiratokban, konferenciákon (pl. NeurIPS, ICML, Nature Methods, Bioinformatics)

Soft skillek

Amit kínálunk

• ▹Iparági szinten versenyképes javadalmazás, korai fázisú virtuális részesedéssel
• ▹Remote-first munkavégzés: otthonról vagy coworking térben
• ▹Jóléti keret, mentális egészségtámogatás, home office keret, coworking támogatás, tanulási és fejlődési keret
• ▹Rendszeres csapatebédek és közösségi események
• ▹Bőséges szabadság
• ▹Negyedéves csapattalálkozó a berlini központban vagy egy másik európai helyszínen
• ▹Sokszínű, küldetéstudatos csapat
• ▹Bőven van tér a szakmai fejlődésre és a saját szerep alakítására

A munkáltatóról

Az Apheris föderált élettudományi adathálózatokat működtet, amelyekben gyógyszeripari cégek közösen tanítanak jobb ML modelleket a saját védett adataikon, miközben az adatok tulajdonjoga és kontrollja az adatgazdáknál marad.