Machine Learning Certification Researcher in Zürich

Stellenbeschreibung

Stellen Sie sich vor, Sie legen die mathematischen und logischen Grundlagen, die es KI ermöglichen, sicher in der realen, sicherheitskritischen Luftfahrt zu fliegen. Als Machine Learning Certification Researcher werden Sie eine der grundlegendsten Herausforderungen der modernen KI angehen: den Nachweis, dass ML-Modelle sicher, zuverlässig und mathematisch fundiert für den Einsatz im autonomen Flug sind. Ihre Arbeit wird die Lücke zwischen modernster statistischer Lerntheorie und formalen Luftfahrtzertifizierungsrahmen schließen und auf früheren Arbeiten (EASA CoDANN I und II sowie FAA-Bericht DOT/FAA/TC-21/48) aufbauen und reale Systeme testen.

Bei Destinus gestalten wir die Zukunft der Verteidigung durch Hochgeschwindigkeits-, autonome Flugtechnologien. Wir entwickeln unbemannte Luftfahrtsysteme der nächsten Generation, die höhere Geschwindigkeit, Präzision und Effizienz bieten und Regierungen sowie Verteidigungsorganisationen bei mission-kritischen Operationen weltweit unterstützen. Daedalean AG, das KI- und Autonomiezentrum der Destinus-Gruppe, spielt eine Schlüsselrolle in dieser Vision und entwickelt sicherheitskritische KI-Systeme an der Schnittstelle von fortschrittlicher Forschung und realer Luftfahrt. Wir ermöglichen Maschinen, in Echtzeit zu erkennen, zu verstehen und Entscheidungen zu treffen, indem wir Luft- und Raumfahrttechnik mit künstlicher Intelligenz kombinieren, um die nächste Generation autonomer Flugsysteme zu entwickeln und Innovationen dort voranzutreiben, wo sie am meisten benötigt werden.

Was Sie tun werden:

• AI-Zertifizierungsstrategie: Analysieren Sie unsere bestehende AI-Zertifizierungsstrategie und helfen Sie dabei, diese anzupassen oder ganz neue Strategien zu entwickeln, um verschiedene überwachte ML zu zertifizieren.
• EASA-Rahmenabgleich: Verbinden Sie mathematische Garantien, technische Argumente und Modellevaluierungen mit dem EASA W-geformten Prozess für die AI-Zertifizierung in der Luftfahrt und stellen Sie sicher, dass unsere Forschung mit den neuesten regulatorischen Richtlinien übereinstimmt.
• Theoretische Grundlagen & Modellierung: Führen Sie Forschungen zur statistischen Lerntheorie, Verallgemeinerungsgrenzen und mathematischen Garantien für tiefe neuronale Netzwerke durch, die unter dynamischen realen Bedingungen arbeiten.
• Unsicherheitsquantifizierung: Wenden Sie Statistik und stochastische Prozesse an, um Umweltunsicherheiten und Sensorausfälle zu modellieren und das Vertrauen in Leistungskennzahlen zu quantifizieren.
• Literatur- & Beweisauswertung: Bewerten Sie akademische Literatur, mathematische Beweise und technische Annahmen kritisch mit Peer-Review-Rigor, um Sicherheitsbeschränkungen und theoretische Lücken in der modernen KI zu identifizieren.
• Regulatorische & Audit-Begründung: Erstellen Sie robuste, logische Argumente und technische Begründungen, die komplexe, hochdimensionale empirische Daten in strukturierte Beweise für Sicherheitsprüfungen und Zertifizierungsrahmen übersetzen.
• Algorithmische Validierung: Schreiben Sie sauberen, reproduzierbaren Code in Python, um theoretische Hypothesen zu testen, Zertifizierungsmechanismen zu validieren und Sicherheitsrahmen für Modelle zu benchmarken.

Was Sie benötigen:

• Maschinenlernen Theorie & Mathematik: Tiefes Verständnis der statistischen Lerntheorie, Verallgemeinerungsgrenzen und der mathematischen Grundlagen tiefer neuronaler Netzwerke.
• Statistik & Stochastische Prozesse: Starker Hintergrund in fortgeschrittener Wahrscheinlichkeit, statistischer Modellierung und stochastischen Prozessen.
• Python-Engineering: Kenntnisse in Python mit der Fähigkeit, sauberen, reproduzierbaren Code zu schreiben (kann auch im Job erlernt werden, sofern starke theoretische Grundlagen und grundlegende Python-Kenntnisse vorhanden sind).

Forschungsrigor:

• Wissenschaftliche Forschungsmethodik: Nachgewiesene Fähigkeit oder Hintergrund in der Durchführung umfassender Literaturüberprüfungen, Identifizierung von Lücken im aktuellen Stand der Technik der KI und Synthese komplexer akademischer Konzepte in umsetzbare Ingenieurrahmen (kann auch im Job erlernt werden, wenn Sie über eine starke quantitative Basis verfügen).
• Peer-Review-Expertise: Fähigkeit oder Erfahrung im Peer-Review-Prozess - in der Lage, mathematische Beweise, algorithmische Annahmen und Forschungsarbeiten kritisch zu bewerten, um deren Gültigkeit und Einschränkungen zu beurteilen.

Bildung:

Derzeit ein Master- oder PhD-Studium in Informatik, Mathematik, theoretischer Statistik, Elektrotechnik, Physik oder einem verwandten quantitativen Forschungsfeld.

Wer Sie sind:

• Kritisches Denken & gesunde Skepsis: Sie besitzen einen starken Geist, alles in Frage zu stellen. Sie hinterfragen natürliche konventionelle ML-Annahmen, suchen nach versteckten Randfällen und weigern sich, empirische Genauigkeit ohne rigorosen Beweis als gegeben hinzunehmen.
• Logische Argumentation: Sie haben die außergewöhnliche Fähigkeit, robuste, wasserdichte logische Argumente und technische Begründungen zu formulieren. Sie können komplexe empirische Beobachtungen in strukturierte, verteidigbare Beweise übersetzen, die strengen ingenieurtechnischen und regulatorischen Prüfungen standhalten.
• Blüht in Unklarheit: Sie sind motiviert von schwierigen, ungelösten mathematischen Problemen an der Schnittstelle von theoretischer Informatik, Sicherheitsengineering und realen Flugoperationen.