Naukowiec II / starszy naukowiec ML, uczenie się oparte na danych na potrzeby odkrywania leków

<p><strong>Twój wpływ w LILA</strong></p> <p>Lila Sciences poszukuje specjalisty ds. uczenia maszynowego, zajmującego się uczeniem efektywnie wykorzystującym dane na potrzeby odkrywania leków, który będzie budował modele i strategie uczenia się dla środowisk, w których dane są rzadkie, drogie i generowane celowo. Ta rola koncentruje się na szkoleniu przydatnych modeli na podstawie niewielkich, ale wysokiej jakości zbiorów danych, obejmujących od kilkudziesięciu do kilku tysięcy przykładów, często w ściśle określonych obszarach przestrzeni chemicznej, oraz podejmowaniu decyzji, jakie dane należy pozyskać w następnej kolejności.</p> <p>Jest to rola naukowo-uczniowego stosowanego w pionierskim obszarze badań. Praca nie polega na zastosowaniu gotowych, standardowych modeli.

Będziesz wykorzystywać i rozwijać podejścia obejmujące aktywne uczenie się, metauczenie się, dostrajanie, szacowanie niepewności, projektowanie eksperymentów i modelowanie multimodalne, aby pomóc Lili budować systemy w pętli zamkniętej, które efektywnie uczą się na podstawie ukierunkowanego gromadzenia danych.</p> <p>Ta rola łączy szkolenie modeli z naukowym podejmowaniem decyzji: plany gromadzenia danych powinny być przydatne dla chemików obliczeniowych oceniających priorytety złożonych, biofizyków obliczeniowych decydujących, kiedy symulacja jest uzasadniona, oraz współskładających modelarzy decydujących, które dane białko-ligand ulepszy modele uwzględniające strukturę.</p> <p><strong>Co będziesz budować</strong></p> <ul> <li>Twórz modele uczenia maszynowego, które dobrze sprawdzają się w systemach o niskiej zawartości danych na potrzeby odkrywania leków i optymalizacji molekularnej.</li> <li>Projektuj strategie pozyskiwania danych, które identyfikują, które związki, testy, selekcje DEL, symulacje, przewidywania strukturalne lub eksperymenty należy przeprowadzić w następnej kolejności, aby zmaksymalizować możliwości uczenia się.</li> <li>Rozwijaj aktywne uczenie się, meta-uczenie się, dostrajanie, uczenie się transferu i podejście do modelowania uwzględniającego niepewność dla skupionych przestrzeni chemicznych.</li> <li>Trenuj modele na małych ilościach, ale wysokiej jakości zbiorach danych generowanych przez systemy Lila eksperymentalne, obliczeniowe i agentyczne.</li> <li>Twórz modele multimodalne, które mogą integrować dane DEL, wyniki symulacji, dane z testów, informacje o białkach i strukturze, cechy chemiczne, literaturę lub sygnały pochodzące z tekstu, obrazy i metadane eksperymentalne.</li> <li>Nawiąż współpracę z firmami eksperymentalnymi, zespoły obliczeniowe i odkrywające leki, aby zapewnić, że plany gromadzenia danych mają znaczenie naukowe i wykonalność operacyjną.</li> <li>Oceniaj modele poprzez krzywe uczenia się, walidację prospektywną, retrospektywne punkty odniesienia, kalibrację niepewności i metryki zorientowane na decyzje.</li> <li>Opracuj przepływy pracy uczenia się w zamkniętej pętli, które stale aktualizują modele w miarę napływu nowych danych z eksperymentów, symulacji i systemów zautomatyzowanych.</li> <li>Przełóż przewidywania i niepewność modelu na praktyczne zalecenia dotyczące wyboru związku, testu selekcja, projektowanie partii lub kolejne eksperymenty.</li> <li>Współpracuj z zespołami platform i agentów, aby udostępnić rekomendacje oparte na modelach jako narzędzia dla naukowców i agentów AI.</li> </ul> <p><strong>Co będzie potrzebne, aby odnieść sukces</strong></p> <ul> <li>Doktorat lub równoważne doświadczenie w zakresie uczenia maszynowego, chemii obliczeniowej, biologii obliczeniowej, statystyki, informatyki, bioinżynierii lub pokrewnej dziedziny.</li> <li>Szkolenie z dużym doświadczeniem ML modele w systemach o małej ilości danych.</li> <li>Doświadczenie w aktywnym uczeniu się, optymalizacji bayesowskiej, projektowaniu eksperymentów, metauczeniu, dostrajaniu, uczeniu transferowym, szacowaniu niepewności lub pokrewnych metodach uczenia się efektywnie wykorzystujących dane.</li> <li>Doświadczenie w budowaniu modeli ML dla naukowych, molekularnych, biologicznych, chemicznych, farmakologicznych, biochemicznych lub innych wysokowymiarowych eksperymentalnych zbiorów danych.</li> <li>Doświadczenie w uczeniu multimodalnym lub metodach łączących heterogeniczne dane źródeł.</li> <li>Umiejętność wyciągania wniosków na temat strategii pozyskiwania danych, a nie tylko dopasowywania modelu.</li> <li>Dogłębna ocena naukowa i umiejętność łączenia zachowania modelu z decyzjami eksperymentalnymi.</li> <li>Praktyczne doświadczenie z PyTorch, JAX, scikit-learn lub równoważnymi narzędziami ML.</li> <li>Umiejętność współpracy w zespołach ML, danych, nauk obliczeniowych, eksperymentalnych i odkrywaniu leków.</li> </ul> <p><strong>Punkty dodatkowe za</strong></p> <ul> <li>Doświadczenie w odkrywaniu leków, szczególnie w optymalizacji molekularnej, badaniach przesiewowych lub przepływach pracy: projektowanie-tworzenie-testowanie-nauka.</li> <li>Ogólne zrozumienie farmakologii, biochemii lub mechanizmów aktywności molekularnej.</li> <li>Doświadczenie w zakresie DEL, wysokowydajnych badań przesiewowych, chemii medycznej, danych testowych, cech uzyskanych z symulacji, cech opartych na białkach lub strukturach, tekstu lub elementy literatury lub obrazy naukowe.</li> <li>Doświadczenie w eksperymentach w pętli zamkniętej, laboratoriach autonomicznych lub procesach naukowych opartych na agentach.</li> <li>Doświadczenie w zakresie generatywnego projektowania molekularnego, ustalania priorytetów kandydatów lub procesów selekcji partii.</li> <li>Znajomość wnioskowania przyczynowego, optymalnego projektu eksperymentu, teorii decyzji lub metod Bayesa.</li> <li>Komfort pracy z pionierskimi technikami uczenia maszynowego, gdzie są one standardem Gotowe podejścia są niewystarczające.</li> </ul><div class="content-pay-transparency"><div class="pay-input"><div class="description"><p><strong>Wynagrodzenie</strong></p> <p>Oferujemy konkurencyjne wynagrodzenie podstawowe z potencjałem premiowym i dużym kapitałem własnym na wczesnym etapie. Twoja ostateczna oferta będzie odzwierciedlać Twoje doświadczenie, wiedzę specjalistyczną i oczekiwany wpływ.</p> <p><strong>USA Świadczenia.</strong> Pracownicy pełnoetatowi w USA otrzymują kompleksowy program świadczeń obejmujący opiekę medyczną, dentystyczną i okulistyczną; opłacane przez pracodawcę ubezpieczenie na życie i rentowe; elastyczny czas wolny z hojnymi urlopami dla całej firmy; płatny urlop rodzicielski; program pomocy edukacyjnej; świadczenia dla osób dojeżdżających do pracy, w tym członkostwo w rowerach dla pracowników biurowych; oraz dotowany przez firmę program lunchów.</p> <p><strong>Świadczenia międzynarodowe.</strong> Pracownicy pełnoetatowi spoza USA otrzymują kompleksowy program świadczeń dostosowany do ich regionu. Przedziały wynagrodzeń w USD dotyczą tylko stanowisk w USA; międzynarodowe wynagrodzenia są dostosowane do rynku lokalnego.</p></div><div class="title">Oczekiwany zakres wynagrodzenia podstawowego</div><div class="pay-range"><span>228 000 USD</span><span class="divider"> - </span><span>358 000 USD</span></div></div></div><div class="content-conclusion"><p><strong>Informacje LILA</strong></p> <p>Lila Sciences tworzy naukową superinteligencję™, aby stawić czoła największym wyzwaniom ludzkości.

Wierzymy, że nauka jest najbardziej inspirującą granicą dla sztucznej inteligencji. Zamiast kodować wiedzę ekspercką na narzędzia, LILA buduje systemy, które mogą się same uczyć.</p> <p>LILA łączy zaawansowane modele sztucznej inteligencji z zastrzeżonymi instrumentami AI Science Factory™ w system operacyjny dla nauki, który autonomicznie realizuje całą metodę naukową, przyspieszając odkrycia z niespotykaną szybkością, skalą i wpływem na medycynę, materiały i energię. Więcej informacji znajdziesz na www.lila.ai.</p> <p>Kierując się naszymi podstawowymi wartościami, takimi jak prawda, zaufanie, ciekawość, stanowczość i szybkość, działamy z szybkością startową, rozwiązując problemy o znaczeniu historycznym.

Jeśli brzmi to jak środowisko, w którym chciałbyś pracować, nawet jeśli nie spełniasz wszystkich powyższych kwalifikacji, zachęcamy do aplikowania.</p> <p><strong>Wszyscy jesteśmy za</strong></p> <p>Lila Sciences dokłada wszelkich starań, aby zapewnić równe szanse zatrudnienia bez względu na rasę, kolor skóry, pochodzenie, religię, płeć, narodowość, orientację seksualną, wiek, obywatelstwo, stan cywilny, niepełnosprawność, tożsamość płciową czy status weterana.</p> <p>Informacje podane podczas procesu aplikacyjnego będą przetwarzane zgodnie z naszą <a href="https://www.lila.ai/candidate-privacy-policy-notice">Polityką prywatności kandydatów</a>.</p> <p><strong>Uwaga dla agencji</strong></p> <p><em>Lila Sciences nie przyjmuje niezamówionych CV pochodzących z jakiegokolwiek źródła innego niż kandydaci. Przesyłanie niechcianych życiorysów przez agencje rekrutacyjne lub pośrednictwa pracy firmie Lila Sciences lub jej pracownikom jest surowo zabronione, chyba że skontaktuje się z nią bezpośrednio wewnętrzny zespół ds. pozyskiwania talentów Lila Science. Każde CV przesłane przez agencję w przypadku braku podpisanej umowy automatycznie stanie się własnością Lila Sciences, a Lila Sciences nie będzie winna żadnych skierowań ani innych opłat z tego tytułu.</em></p></div>Znajdź pracę w Wielkiej Brytanii na Arbeitnow