Machine Learning Scientist – Large Multimodal Models

🕒 vor 12 Tagen

🇬🇧 Vereinigtes Königreich – Remote

⏰ Vollzeit

🟡 Mittelstufe

🟠 Senior

🤖 Machine-Learning-Entwickler

👻 Geisterscore 12%

Was es bedeutet: wie wahrscheinlich diese Stelle offen bleibt, ohne dass aktiv eingestellt wird.So liest du es: 60 % oder höher heißt, wir halten das für einen Geisterjob. Niedrigere Werte sind weniger bedenklich.Wie wir werten: Dauer offen, Neuveröffentlichungen, offene Stellen vs Teamgröße, wie schnell Stellen geschlossen werden, und ob ein Gehalt angegeben ist.Hinweis: eine Schätzung aus öffentlichen Daten, kein Urteil über das Unternehmen. Echte Stellen können hoch punkten, nutze es also als Hinweis, nicht als Fakt.

Jetzt Bewerben

Ähnliche Remote-Jobs finden

E-Mail-Benachrichtigung für neue Jobs einrichten

📊 Überprüfen Sie Ihre Lebenslauf-Bewertung für diese Stelle

Verbessern Sie Ihre Chancen auf ein Vorstellungsgespräch, indem Sie Ihre Lebenslauf-Bewertung vor der Bewerbung überprüfen.

Lebenslauf hochladen

Iambic Therapeutics

WebsiteLinkedInAlle Stellen

51 - 200 Mitarbeiter

Gegründet 2019

🏥 Gesundheitswesen

💼 Beratung

🏭 Fertigung

💰 Series B im 2024-04

Healthcare • Consulting • Manufacturing

Iambic Therapeutics ist ein führendes Biotechnologieunternehmen, das fortschrittliche KI-Algorithmen zur Wirkstoffentdeckung einsetzt. Ihre innovative, hochdurchsatz-orientierte experimentelle Plattform zielt darauf ab, ungedeckte Patientenbedürfnisse zu adressieren, indem Moleküle für verschiedene therapeutische Ziele optimiert werden. Der KI-gesteuerte Ansatz des Unternehmens ermöglicht es, chemische Räume schnell zu erkunden, neuartige Mechanismen von Medikamenten aufzudecken und hochwertige Wirkstoffkandidaten schneller als herkömmliche Methoden zu liefern.

Beschreibung

• Research and develop post-training strategies for large-scale multimodal foundation models • Design reward functions, training objectives, data-generation strategies, and evaluation protocols for reinforcement learning and other post-training approaches applied to multimodal LLMs • Build systematic experimentation and hyperparameter optimization workflows to explore post-training recipes, model configurations, and training strategies • Develop and apply inference optimization techniques for high-throughput model evaluation and interactive discovery workflows • Design and maintain benchmarking and evaluation frameworks across modalities, downstream tasks, and scientific use cases • Collaborate with ML and software engineering colleagues to productionize models, evaluation systems, and inference services • Partner with computational chemists, medicinal chemists, and biologists to ground model development and post-training objectives in drug discovery needs • Communicate results to internal teams, external partners, and at conferences • Write, refactor, test, document, and package high-quality research and engineering code • Research and develop AI-based discovery technologies for Iambic Therapeutics' drug discovery platform

🎯 Anforderungen

• PhD in machine learning, computer science, computational chemistry, physics, or a related computational STEM field, or equivalent industry experience demonstrating comparable depth • Strong Python and PyTorch skills, including implementing, training, debugging and evaluating deep learning models end-to-end • Demonstrated experience training large-scale transformer models • Demonstrated experience with reinforcement learning approaches such as RLHF, RLAIF, PPO, GRPO, RL with verifiable rewards, or related methods (strongly preferred) • Experience with supervised fine-tuning, full-parameter fine-tuning, parameter-efficient fine-tuning (LoRA), or related methods • Systematic hyperparameter optimization or large-scale experimentation using tools such as Optuna, Ray Tune, or similar frameworks • Strong engineering practices: reproducible experimentation, clean code, testing, and performance-aware debugging • Comfort with modern ML infrastructure such as Docker, CUDA, Kubernetes, and experiment tracking tools such as Weights & Biases • Experience with multimodal or multi-task model architectures (preferred) • Training and inference optimization, including mixed precision, kernel optimization, quantization, or distributed strategies (preferred) • Familiarity with biomedical, chemical, or biological data domains (preferred) • Distributed training at scale (preferred) • HPC or large-scale training operations experience (preferred)

🏖️ Vorteile

• Private medical insurance • Life assurance • Pension contributions • Flexible holiday allowances • Modern and collaborative work environment in the centre of Bristol