Research Scientist in Warsaw

Czy wierzysz, że droga do ogólnego fizycznego AI prowadzi przez hałaśliwe, rzeczywiste wdrożenia fabryczne? Czy ekscytuje Cię wyzwanie przekształcenia klasycznych stosów robotycznych w podstawowe dane treningowe dla fizycznego AI? Jeśli Twoje odpowiedzi brzmią tak, powinniśmy porozmawiać.

W Nomagic realizujemy skromny pivot w kierunku ogólnego fizycznego AI. Wierzymy, że fizyczne AI jest zasadniczo problemem transferu wiedzy – wykorzystujemy "internetowe dane" robotyki – ogromne logi wdrożeń z rzeczywistych systemów działających w środowiskach produkcyjnych – aby wspierać nasze wysiłki. Szukamy naukowców zajmujących się badaniami, którzy pomogą nam budować, trenować i wdrażać modele podstawowe, które przeniosą naszą flotę z klasycznego stosu kontrolnego do mistrzostwa w AI.

Oferowane warunki:

• Praca z prawdziwymi robotami, rozwiązując rzeczywiste problemy każdego dnia
• Pakiet relokacyjny
• Elastyczne godziny pracy
• Środowisko anglojęzyczne

Oto dlaczego sami kochamy tę pracę i mamy nadzieję, że Ty również ją pokochasz:

• Łączymy światowej klasy badania z doskonałym inżynierią i stosujemy je do rozwiązywania rzeczywistych problemów.
• Większość tych danych już istnieje. Mamy roboty w produkcji na dużą skalę. Nie czekamy na zebranie zestawów danych; produkt uboczny naszych maszyn wykonujących użyteczną pracę jest tworzony właśnie teraz.
• Mierzymy to, co ważne. Testujemy nasz kod w testach jednostkowych, symulacjach i bezpośrednio na prawdziwych robotach. Osadzenie naszych modeli w wdrożeniu pozwala nam naprawdę mierzyć wydajność, a nie tylko offline metryki.
• Wysoka dźwignia, duży wpływ. Jesteśmy nadal zespołem o wysokiej koncentracji. Jeśli Twoje architektury i programy treningowe poprawiają naszych agentów, bezpośrednio zmieniasz ekonomię firmy.
• Światowej klasy koledzy. Nasz zespół zbudował Google Warszawa, jednorożce, prowadził badania w DeepMind, testował silniki rakietowe i pracował w najlepszych firmach, takich jak Nvidia i ByteDance. Teraz razem kształtujemy rzeczywistość fizycznego AI.
• Budujemy most. Nie jesteśmy nowym startupem szukającym aplikacji; jesteśmy ustabilizowanym graczem, który rozwija fizyczne AI. Wierzymy, że to będzie pierwszy prawdziwy dowód koncepcji dla skalowanego fizycznego AI.

Co będziesz robić:

Twoje zadania będą definiowane przez skrzyżowanie badań ML, robotyki i treningu dużych modeli multimodalnych. Spodziewaj się wyzwań w dwóch głównych filarach, z możliwością specjalizacji w Pretraining lub Post-training:

• Modele podstawowe i Pretraining: Zdefiniuj architektury modeli (oparte na Transformerach i Dyfuzji), cele i programy treningowe w oparciu o multimodalne dane robotyczne, przekształcając surowe logi wdrożeń w uogólnione możliwości.
• Master the Data: Opracuj skalowalne mieszanki danych i strategie próbkowania, wykorzystując nasze ogromne offline repozytoria danych wizji, akcji i stanu.
• Push the Frontier: Przeprowadzaj rygorystyczne ablacje, aby zrozumieć prawa skalowania, efekty jakości danych, dynamikę optymalizacji i tryby awarii dużych modeli.
• Scale with Engineering: Ściśle współpracuj z ML Infra, aby zwiększyć wykorzystanie klastra i przepustowość, zapewniając, że nasze pomysły algorytmiczne przekładają się na efektywne rozproszone treningi.

Adaptacja, Post-Training i Ocena w Rzeczywistym Świecie:

• Drive Downstream Adaptation: Zbadaj przepisy dotyczące dostosowywania, aby uczynić ogólne modele – nasze oraz modele naszych partnerów – użytecznymi, kontrolowalnymi i bezpiecznymi w rzeczywistym świecie, korzystając z uczenia przez naśladowanie i uczenia przez wzmocnienie, destylacji i uczenia się programu.
• Improve Physical Robustness: Opracuj nowatorskie metody poprawy niezawodności w rzeczywistym świecie, radzenia sobie z przypadkami brzegowymi poza dystrybucją i kierowania zachowaniem robotów w dojrzałych środowiskach fabrycznych.
• Build Benchmarks: Zaprojektuj ramy oceny i lekkie fizyczne ustawienia, które mierzą rzeczywistą wydajność robotów i tryby awarii daleko poza granice symulacji.
• Close the Physical Loop: Analizuj wyniki oceny w rzeczywistym świecie, aby kierować ogólnym kierunkiem badań, płynnie łącząc wyniki modeli podstawowych z wynikami w świecie fizycznym.

Jakie umiejętności chcielibyśmy, abyś miał:

• Doświadczenie: Głębokie badania i praktyczne doświadczenie na skrzyżowaniu uczenia maszynowego, inżynierii systemów i robotyki fizycznej.
• Udokumentowane osiągnięcia: Doświadczenie w projektowaniu, trenowaniu i dostosowywaniu dużych architektur uczenia głębokiego (VLM, VLA, RL, RLHF, uczenie przez naśladowanie), najlepiej z politykami wdrożonymi i zweryfikowanymi na rzeczywistym sprzęcie.
• Doskonałość inżynieryjna: Silne fundamenty w zakresie frameworków uczenia głębokiego (PyTorch/JAX). Czujesz się komfortowo debugując na każdym poziomie stosu i dbasz o rygor empiryczny tak samo jak o szybkość iteracji.
• Intuicja robotyczna: Komfort pracy z hardwarem. Rozumiesz pełny stos robotyki (percepcja, kontrola, estymacja stanu) i głęboko dbasz o ocenę i analizę awarii, gdy oprogramowanie spotyka się ze światem fizycznym.
• Pragmatyczne podejście badawcze: Posiadasz zdolność do płynnego przechodzenia między teoretycznym projektowaniem a fizyczną implementacją. Preferujesz wykonanie, szybkie pętle iteracyjne i niezawodność w rzeczywistym świecie ponad akademicką czystość.

Co powinieneś oczekiwać po aplikacji?

• Rozmowa telefoniczna z menedżerem rekrutacji w celu omówienia Twojego doświadczenia i naszego kierunku technicznego.
• Pół dnia onsite (dopasowanie kulturowe i szczegółowe rozmowy techniczne).
• Ostateczna decyzja w ciągu 2-3 dni po rozmowie onsite.

Ważne: Oczekuj szczegółowej, szczerej informacji zwrotnej po zakończeniu procesu, niezależnie od naszej decyzji.

Możemy używać narzędzi sztucznej inteligencji (AI) do wspierania części procesu rekrutacji, takich jak przeglądanie aplikacji, analizowanie CV lub ocenianie odpowiedzi oraz identyfikowanie potencjalnych niespójności lub sygnałów weryfikacyjnych w materiałach aplikacyjnych na podstawie dostępnych informacji. Te narzędzia wspierają nasz zespół rekrutacyjny, ale nie zastępują ludzkiego osądu. Ostateczne decyzje dotyczące zatrudnienia są podejmowane przez ludzi.