Vereinigte Staaten
B&A
Matter Inc
AI Research Engineer, Modelltraining & Anpassung
Vereinigte Staaten
Menlo Park, California, United States
Go
Automatische Übersetzung. Prüfe das Original.
ÜBER MATTER
Matter entwickelt den KI-nativen Autonomie-Stack für die physische Fertigung. Wir besitzen und betreiben Fabriken als kontrollierte Lernumgebungen – dabei erfassen wir Daten aus jeder Produktionsphase, um KI-Systeme zu trainieren und zu validieren, die auf echter Hardware laufen.
DIE ROLLE
Wir suchen einen AI Research Engineer, der das Modelltraining und die Anpassung für MatterOS leitet – dies umfasst Pre-Training-Daten, domänenspezifisches Fine-Tuning sowie Post-Training-Alignment für Fertigungsaufgaben.
Sie arbeiten über den gesamten Modellentwicklungszyklus hinweg: von der Kuratierung des Fertigungskorpus und dem Entwurf synthetischer Datenpipelines über das Fine-Tuning von Allzweck-VLMs und VLAs für fabrik-spezifische Aufgaben bis hin zum Aufbau von Bewertungs-Frameworks, die definieren, was im Produktionskontext als „gut“ gilt.
IHRE AUFGABEN
- Konzeption und Verwaltung von Pipelines zur Generierung synthetischer Daten mittels Physiksimulation (NVIDIA Isaac Sim, MuJoCo): Domänen-Randomisierung, prozedurale Szenengenerierung und Validierung des Sim-to-Real-Transfers
- Kuratierung und Annotation des Fertigungs-Trainingskorpus: CAD-Daten, Prozesspläne, Anlagenprogramme, Montagesequenzen, Sensor-Streams und Qualitätsprüfprotokolle
- Fine-Tuning und Anpassung vortrainierter VLMs, VLAs und LLMs an fertigungsspezifische Aufgaben: DFM-Co-Pilot, Fehlererkennung, Generierung von Montageanleitungen und Lernen von Roboter-Policies
- Implementierung von Post-Training-Alignment-Methoden (RLHF, DPO oder Preference Optimization), um das Modellverhalten an die Erfolgskriterien der Fertigungsaufgaben anzupassen
- Aufbau domänenspezifischer Bewertungs-Benchmarks: Manipulationsgenauigkeit, Wiedergabetreue bei der Befolgung von Anweisungen, Prozesseinhaltung und Erkennung von Fehlermodi
- Zusammenarbeit mit dem VLA Research Scientist und dem AI Infrastructure Engineer, um den Trainingskreislauf zwischen Simulation, realen Fabrikdaten und bereitgestellten Modellen zu schließen
WAS WIR SUCHEN
- Fundierter Hintergrund in der machine learning-Forschung mit praktischer Erfahrung im Training großer Modelle (VLMs, LLMs oder Roboter-Policies)
- Praktische Erfahrung mit Pre-Training-Datenpipelines, der Generierung synthetischer Daten oder multimodalem Training in großem Maßstab
- Vertrautheit mit Fine-Tuning- und Alignment-Techniken: LoRA, RLHF, DPO, Instruction Tuning
- Fundierte Kenntnisse in PyTorch; Erfahrung mit NVIDIA Isaac Sim, MuJoCo oder physikbasierten Simulations-Engines
- Fähigkeit, Bewertungs-Frameworks zu entwerfen, die über Standard-Benchmarks hinausgehen, um die aufgabenspezifische Leistung in der realen Welt zu messen
- Systemisches Denken: Sie verstehen, dass die Qualität der Trainingsdaten und die Domänenanpassung bei eingeschränkten physischen Anwendungen wichtiger sind als die Modellskalierung
WÜNSCHENSWERT
- Promotion oder Master-Abschluss in machine learning, Robotik oder einem verwandten Bereich
- Erfahrung mit Embodied AI, Robot Learning oder Sim-to-Real-Transfer
- Hintergrund in industriellen oder fertigungstechnischen Bereichen
- Erfahrung mit verteiltem Training auf GPU-Clustern (SLURM, DeepSpeed, FSDP)
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen