Specjalista/tka ds. Uczenia Maszynowego, POZNAŃ
Wykształcenie i
doświadczenie
Wykształcenie wyższe (min.
inżynierskie lub licencjackie), preferowane kierunki: Informatyka, Matematyka,
Sztuczna Inteligencja lub pokrewne.
Minimum 3 lata doświadczenia w
projektach z zakresu uczenia maszynowego.
Programowanie
Zaawansowana znajomość Pythona,
w szczególności OOP (design patterns, clean code, modularność kodu w projektach
ML).
Biegłość w przechodzeniu od
prototypu w notebooku do modularnego, production-ready kodu, z uwzględnieniem
skalowalności rozwiązań.
Machine Learning
Zaawansowana znajomość PyTorch:
projektowanie specjalistycznych warstw, optymalizacja i debugowanie procesu
trenowania.
Znajomość bibliotek NumPy,
SciPy, Pandas, Scikit-learn.
Doświadczenie w budowie
rozwiązań end-to-end: pełne data pipeline'y oraz wdrożenia produkcyjne.
Doświadczenie w pracy z dużymi
zbiorami danych (optymalizacja I/O, wydajność obliczeniowa).
Bazy danych i architektura
Znajomość SQL na poziomie
projektowania i optymalizacji zapytań.
Sprawna obsługa Git.
Dobra znajomość Linuksa
(skrypty shell, zarządzanie procesami, konteneryzacja).
Poznańskie Centrum Superkomputerowo‑Sieciowe (PCSS)
Dział Sieci Nowych Generacji
poszukuje kandydatów/ kandydatek na stanowisko:
Specjalista/tka ds. Uczenia Maszynowego
Kim jesteśmy?
Dołącz do zespołu innowatorów i kształtuj przyszłość technologii w Poznańskim Centrum Superkomputerowo‑Sieciowym!
Poznańskie Centrum Superkomputerowo‑Sieciowe (PCSS), afiliowane przy Instytucie Chemii Bioorganicznej PAN, jest jednym z kluczowych ośrodków badawczo‑rozwojowych IT w Polsce. Jako operator ogólnopolskiej sieci optycznej PIONIER oraz zaawansowanej infrastruktury obliczeniowej (HPC, GPU), realizujemy projekty o strategicznym znaczeniu dla nauki, administracji publicznej i gospodarki. Innowacja, badania oraz realny wpływ na rozwój cyfrowego społeczeństwa to nasza codzienność.
Krótki opis działu
Dział Sieci Nowych Generacji rozwija nowoczesne usługi w dziedzinie technologii sieciowych oraz systemów obliczeń chmurowych na brzegu sieci. Prace prowadzone w dziale skupiają się na projektach badawczo-rozwojowych prowadzonych na zamówienie przemysłu lub projektach współfinansowanych z funduszy Unii Europejskiej.
Jeden z kluczowych obszarów prac dotyczy szeroko rozumianej analityki danych oraz uczenia maszynowego. Dane pozyskane z różnych źródeł (np. z systemów DAS (ang. Distributed Accoustic Sensing) opartych o światłowody, systemów rozproszonych grawimetrów kwantowych czy systemów monitorowania sygnałów radiowych GNSS, itp.) są źródłem dla modeli sztucznej inteligencji rozwijanych w Dziale. Modele te mają za zadanie osiągnięcie wyznaczonych celów przez zamawiającego przy wsparciu zespołu ekspertów PCSS, jak i ekspertów dziedzinowych.
,[ projektowanie, implementację i rozwój modeli uczenia maszynowego odpowiadających na rzeczywiste potrzeby badawcze i biznesowe,, przygotowywanie kompletnych rozwiązań ML – od analizy danych, poprzez projektowanie architektury modeli i proces trenowania, aż po wdrożenie do środowiska produkcyjnego,, tworzenie wydajnych i skalowalnych pipeline’ów przetwarzania danych oraz trenowania modeli,, rozwój oprogramowania zgodnie z dobrymi praktykami inżynierii oprogramowania (clean code, modularność, testowanie, wersjonowanie kodu),, optymalizacja modeli i procesów obliczeniowych pod kątem jakości, wydajności oraz wykorzystania zasobów obliczeniowych,, współpraca z zespołami programistycznymi, ekspertami domenowymi oraz partnerami projektów badawczo-rozwojowych przy projektowaniu i wdrażaniu rozwiązań AI,, udział w projektach badawczo-rozwojowych z obszaru sztucznej inteligencji, obejmujących opracowywanie nowych metod, prototypowanie oraz walidację rozwiązań,, dokumentowanie opracowanych rozwiązań oraz prezentowanie wyników prac zespołowi i partnerom projektu,, ciągłe śledzenie rozwoju technologii AI i rekomendowanie nowych metod oraz narzędzi mogących zwiększyć efektywność realizowanych projektów.] Requirements: Clean Code, AI, Python, OOP, Machine Learning, NumPy, SciPy, pandas, scikit-learn, SQL, Git, PyTorch, Linux, MLOps, MLflow, CI/CD, Weights&Biases Tools: Jira, Github, Confluence, GitLab, GIT. Additionally: Private healthcare, International projects, Multisport, Shower, Free parking, Bike parking, No dress code, Modern office.