Développeur.euse Logiciel fullstack, Neuro-AI / Neuro-AI software developer

at  Mila Institut qubcois dintelligence artificielle

À PROPOS DE MILA

Fondé par le professeur Yoshua Bengio de l’Université de Montréal, Mila rassemble des chercheurs spécialisés en intelligence artificielle et plus précisément en apprentissage automatique, apprentissage profond et apprentissage par renforcement. Reconnu mondialement pour ses importantes contributions au domaine de l’apprentissage profond, Mila s’est particulièrement distingué dans la modélisation du langage, la traduction automatique, la reconnaissance d’objets et les modèles génératifs. Depuis 2017, Mila est le fruit d’une collaboration entre l’Université de Montréal et l’Université McGill, en lien étroit avec Polytechnique Montréal et HEC Montréal.
Mila s’est donné pour mission d’être un pôle mondial d’avancées scientifiques qui inspire l’innovation et l’essor de l’intelligence artificielle (IA) au bénéfice de tous.
Pour en connaitre davantage, veuillez consulter https://mila.quebec/
Nous cherchons un.e Développeur.euse logiciel fullstack, Neuro-AI pour superviser le développement de modèles de type transformateur à grande échelle pour traiter les données neuronales. Les responsabilités comprennent la conception et la mise en œuvre de modèles d’apprentissage profond, le pré-entraînement des modèles sur des données EEG accessibles au public et l’évaluation de la précision en aval après un réglage fin. Il s’agira notamment de travailler avec des systèmes informatiques à haute performance, y compris des grappes de GPU basées sur Linux. La coordination avec les étudiants et les projets universitaires pour assurer l’utilisation de technologies de pointe et la complémentarité avec les efforts universitaires sera également une composante du poste.

REQUIREMENTS

We’re looking for a fullstack software developer to oversee the development of large-scale transformer-type models to process neural data. Responsibilities include designing and implementing deep learning models, pretraining the models on publicly available EEG data, and evaluating downstream accuracy after fine-tuning. This will include working with high-performance computing systems, including Linux-based GPU clusters. Coordination with student and academic projects to ensure use of cutting-edge technologies and complementarity to academic efforts will also be a component of the job.

REQUIRED SKILLS, EDUCATION AND EXPERIENCE:

• Degree in computer science, machine learning, or related engineering field
• 3+ years of hands-on research experience in machine learning in academia or industry
• Experience in Python and deep learning libraries (Pytorch, Numpy, Pandas, etc.)
• Experience managing software projects and maintaining code bases
• Experience with unit and integration tests
• Experience with managing workloads on clusters and related systems (e.g. Slurm, Kubernetes, etc.)
• Experience working collaboratively with teams

NICE TO HAVE SKILLS, EDUCATION AND EXPERIENCE:

• Experience working with EEG data
• Experience with self-supervised pre-training and “foundation model” research
• Research in a deep tech company or special projects group

WE WANT TO KNOW YOU

At Mila, diversity is important to us. We value a work environment that is fair, open and respectful of differences. We encourage anyone who wants to work in an ecosystem that is constantly evolving and stimulated to contribute to the application and definition of a healthy and inclusive culture, to apply.
Please note that only selected candidates will be contacted.

• Design and improve deep learning architectures for EEG data
• Keep track of data resources and run experiments on large datasets
• Setup best practices for ML research and set benchmarks to test models
• Explore and invent novel ways to tokenize EEG signals
• Collaborate with neuroscientists, ML engineers, and interaction designers to unlock new capabilities in downstream fine-tuning
• Optimize pipelines and code for maximal use of GPU resources
• Provide regular reports on model performance and efficiency