机器学习工程师

该职位来源于猎聘 具体工作说明 1. 面向小样本与多模态数据的建模策略制定 - 配方优化模型：主导贝叶斯优化、高斯过程等样本高效优化算法，智能优选材料配方组合，实现包封率、载药量、突释率多指标协同优化。 - 迁移学习与预训练表示：基于大规模仿真数据开展模型预训练与表征学习，迁移适配真实实验数据，构建聚合物与药物通用分子表征。 - 多模态融合架构：设计网络结构，融合配方工艺与光谱影像数据，共同预测药物在载体中的空间分布状态和释放动力学，解决模态异构与训练失衡问题。 2. 构建物理信息驱动的AI模型 - 嵌入物理约束：融合材料溶胀、扩散物理机理构建模型约束，开发物理驱动预测算法，保障药物释放行为预测符合材料宏观物化规律。 - 开发图神经网：基于分子拓扑结构构建图表征，研发图神经网络模型，预测分子间作用与扩散能垒，解析分子结构对药物负载稳定性的影响。 3. 搭建并维护全生命周期的 MLOps 流水线 - 实验追踪与模型注册：搭建实验追踪与模型版本管理体系，自动记录训练超参、数据版本、评估指标及模型资产，实现全量实验可追溯、结果可复现。 - 模型持续训练与部署：搭建模型自动化 CI/CD 流水线，完成新数据自动触发模型重训微调，实现模型版本平滑部署与标准化接口服务。 - 模型监控与漂移检测: 上线模型线上监控与数据漂移检测，实时监测输入分布与预测效果，异常自动告警、版本回退并联动研究人员补全数据。 4. 将 AI 能力平台化，赋能非技术团队 - 构建简易预测工具：搭建轻量化可视化预测 Web 工具，集成内部账号体系，支持配方参数输入，快速完成包封率与释放曲线智能预测。 - 搭主动学习循环的交互接口：建主动学习人机协同接口，展示多目标优化候选实验方案，支持科研人员经验筛选与约束调整，形成闭环研发迭代。 5. 作为算法与领域知识的翻译枢纽 - 从化学直觉到算法实现：理解制剂研发专业机理，将实验现象与行业经验转化为模型训练标签与辅助任务，强化多任务建模能力。 - 向非技术团队解释模型决策：运用模型可解释性算法，生成可视化决策解释结果，向非技术研发团队拆解模型预测依据，提升模型可信度与落地应用价值。 任职资格 学历 - 硕士及以上学历，计算机科学、人工智能、电子信息、应用数学或相关交叉学科（如计算科学/化学信息学）等专业。 - 具有扎实的概率论、线性代数、最优化理论基础，系统学习过机器学习经典教材（如PRML、ESL）。 - 研究课题涉及科学机器学习（SciML）、小样本学习、图神经网络或药物材料AI的优先。 经验 - 精通PyTorch，能够从零搭建复杂模型而非仅调用Sklearn接口。精通Python，熟练使用numpy、scipy等科学计算栈。 - 熟悉掌握其中一种物理信息神经：DeepXDE、Modulus (NVIDIA)、NeuralPDE.jl，具有将微分方程约束集成到神经网络训练中的经验。 - 熟练使用MLflow、Weights & Biases、DVC（与数据工程师配合作业），能使用Docker进行模型容器化，接触过Kubernetes模型服务（如KServe）； - 具有处理图像（如高光谱/医学影像）与表格数据融合的多输入网络设计经验，熟悉PyTorch Lightning等工程化模板以保持代码整洁； - 具有使用Streamlit、Gradio或Plotly Dash其中之一快速构建内部应用原型的经验； - 具有优秀的学习能力，以及快速理解和学习跨领域的能力，具备一定生物医药/材料数据的感性的敏感性； - 具有元学习、度量学习、贝叶斯方法或半监督学习处理昂贵、稀少样本的项目经验； - 熟悉高光谱、拉曼成像或显微镜图像分析项目，了解这些模态的数据格式和常用预处理方法，能与计算材料研究员共同制定图像特征提取方案。