Beschreibung

In dieser Rolle als Senior Machine Learning Engineer entwickelst du innovative Deep-Learning-Modelle zur Analyse radiologischer Bilddaten. Du gestaltest den gesamten Prozess von der Forschung bis zur Bereitstellung klinisch relevanter Diagnosetools.

Anforderungen

• •Ph.D. oder Masterabschluss in Informatik, Machine Learning, Ingenieurwesen, Mathematik oder verwandtem Fachgebiet
• •Mindestens 3 Jahre Industrieerfahrung mit klarem Fokus auf Computer Vision für medizinische Anwendungen
• •Sehr gute Kenntnisse in Python und PyTorch sowie tiefes Verständnis medizinischer Bildverarbeitungstechniken
• •Fundierte Kenntnisse moderner Computer-Vision-Architekturen für 3D-Bildsegmentierung und Objekterkennung
• •Erfahrung in mindestens zwei der folgenden Bereiche: Self-supervised oder semi-supervised Learning, Computer-Vision-Foundation-Modelle, Anomalieerkennung, Active Learning
• •Nachgewiesene Fähigkeit, an großen Codebasen zu arbeiten und komplexe Datensätze in einem kollaborativen Umfeld zu handhaben
• •Commitment zu soliden Software-Engineering-Praktiken, einschließlich Versionskontrolle (Git), Unit-Tests, CI/CD
• •Promotion oder Masterabschluss in Informatik, Machine Learning, Ingenieurwesen, Mathematik oder verwandtem Fachgebiet
• •Mindestens 3 Jahre Industrieerfahrung mit klarem Fokus auf Computer Vision für medizinische Anwendungen
• •Sehr gute Kenntnisse in Python und PyTorch sowie tiefes Verständnis medizinischer Bildverarbeitungstechniken
• •Fundierte Kenntnisse moderner Computer-Vision-Architekturen für 3D-Bildsegmentierung und Objekterkennung
• •Erfahrung in mindestens zwei der folgenden Bereiche: Self-supervised oder semi-supervised Learning, Computer-Vision-Foundation-Modelle, Anomalieerkennung, Active Learning
• •Nachgewiesene Fähigkeit, an großen Codebasen zu arbeiten und komplexe Datensätze in einem kollaborativen Umfeld zu handhaben
• •Starkes Commitment zu soliden Software-Engineering-Praktiken, einschließlich Versionskontrolle (Git), Unit-Tests, CI/CD

Aufgaben

• •Leistungsstarke Computer-Vision-Architekturen zur Erkennung und Diagnose medizinischer Befunde weiterentwickeln
• •Rigorose Validierungsframeworks zur Sicherstellung von Modellrobustheit und klinischer Wirksamkeit konzipieren und implementieren
• •Lösungen mit klinischem Vertrauen entwickeln, insbesondere durch Modellinterpretierbarkeit und Unsicherheitsquantifizierung
• •Skalierbare ML-Pipelines in einer modernen Docker- und AWS-Umgebung optimieren

Tools & Technologien