Młodszy Specjalista/tka ds. Uczenia Maszynowego

Poznańskie Centrum Superkomputerowo‑Sieciowe (PCSS)

Dział Sieci Nowych Generacji

poszukuje kandydatów/ kandydatek na stanowisko:

Młodszy 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.

Wymagane kwalifikacje

Wykształcenie i doświadczenie

Minimum 1 rok doświadczenia w pracy z uczeniem maszynowym (projekty akademickie, staże, wkład w projekty open-source)

Programowanie

Bardzo dobra znajomość Pythona, w tym zasad OOP (klasy, dziedziczenie, interfejsy).

Znajomość podstawowych bibliotek do analizy danych: NumPy, SciPy, Pandas, Scikit-learn.

Umiejętność szybkiego prototypowania rozwiązań, np. w Jupyter Notebook.

Machine Learning

Praktyczna znajomość PyTorch – budowanie i trenowanie sieci neuronowych.

Rozumienie procesu trenowania modeli: dobór metryk, cross-validation, ewaluacja wyników.

Bazy danych i architektura

Podstawowa znajomość SQL.

Sprawna obsługa Gita oraz podstawowa znajomość Linuksa.

Język

Angielski na poziomie min. B2 (czytanie dokumentacji technicznej, podstawowa komunikacja w zespole).

Mile widziane

Doświadczenie z narzędziami MLOps (Weights & Biases, MLflow, Optuna, Docker).