Ingénieur(e) principal(e) en apprentissage automatique (MLE) — Comportement at Torc Robotics

, , Canada -

Full Time

Start Date

Immediate

Expiry Date

24 Feb, 26

Salary

313800.0

Posted On

26 Nov, 25

Experience

10 year(s) or above

Remote Job

Yes

Telecommute

Yes

Sponsor Visa

Skills

Machine Learning, Autonomous Vehicles, Robotics, Simulation, Data Strategies, Model Training Pipelines, Performance Metrics, Behavior Analysis, Reinforcement Learning, Python, Pytorch, Distributed Computing, Model Architecture, Data Pipelines, Behavior Cloning, Multiagent Systems

Industry

Truck Transportation

Description

À propos de l’entreprise À Torc, nous avons toujours cru que la technologie des véhicules autonomes transformera la façon dont nous voyageons, transportons la marchandise et faisons des affaires. Leader de la conduite autonome depuis 2007, Torc a passé plus d’une décennie à commercialiser des solutions aux côtés de partenaires chevronnés. Nous faisons maintenant partie de la famille Daimler, ce qui nous permet de nous concentrer uniquement sur le développement de logiciels pour les camions automatisés. Nous transformerons la façon dont le monde transporte la marchandise. Joignez-vous à notre équipe : catapultez votre carrière au sein de l’entreprise ayant contribué à créer la technologie de conduite autonome (CA). Nous sommes la première entreprise de logiciels de CA ayant eu la vision de faire équipe directement avec un constructeur de camions. Rencontrez l’équipe : En tant qu’Ingénieur(e) principal(e)en apprentissage automatique — Modélisation des comportements acquis, vous dirigerez le développement, le déploiement et la mise à l’échelle des modèles de comportement basés sur l’apprentissage par renforcement pour les camions autonomes. Vous collaborerez avec les équipes chargées de la perception, de la prédiction, de la planification et de la sécurité pour créer des modules de comportement acquis qui se généralisent à tous les scénarios et qui permettent de prendre des décisions sûres, efficaces et humaines dans le cadre d’opérations réelles. Il s’agit d’un rôle de leadership technique axé sur l’innovation et la maturité du modèle, et non sur l’intégration des fonctionnalités en aval. Ce que vous ferez Diriger l’architecture, le développement et la validation des modèles de comportement acquis (par exemple, le mimétisme du conducteur, l’interaction multiagent, le clonage du comportement, l’apprentissage par renforcement) pour l’autonomie des autoroutes et des camions de marchandises. Définir et mettre en œuvre des stratégies de données : collecter, étiqueter et conserver de vastes ensembles de données sur le comportement (véhicules, simulations, journaux de flotte) pour la formation et l’évaluation. Développer des pipelines de formation de modèles évolutifs, une infrastructure et des outils pour itérer rapidement sur les modèles de comportement, du prototype au déploiement de la production. Concevoir et suivre les mesures de performance, analyser le comportement des modèles, diagnostiquer les modes de défaillance et conduire l’amélioration continue des comportements acquis dans la simulation et sur le véhicule. Travailler avec les équipes de simulation, de scénario et de validation pour intégrer les modèles de comportement acquis dans les cadres de vérification et de validation, en assurant la couverture des domaines de conception opérationnelle (ODD). Les ingénieurs en apprentissage automatique de niveau intermédiaire et supérieur sont encadrés et dirigés, ils définissent l’orientation technique et encouragent les meilleures pratiques en matière d’ingénierie du comportement acquis dans l’ensemble de l’équipe. Ce dont vous aurez besoin pour réussir : 8 années d’expérience professionnelle et plus (ou équivalent) en apprentissage automatique appliqué aux véhicules autonomes, à la robotique, à la simulation ou à un domaine connexe. Diplôme supérieur (maîtrise ou doctorat de préférence) en apprentissage automatique, en robotique, en informatique ou dans un domaine d’ingénierie connexe. Expérience avérée de la conception et de l’expédition de modèles de politique ou de comportement acquis (par exemple, clonage de comportement, apprentissage par imitation, RL, modèles multiagents) dans des systèmes de production ou de quasi-production. Solides compétences en programmation dans le domaine de l’IA (Python, Pytorch [Lightning], pandas). Expérience avec un cadre de calcul distribué de logiciel libre, en particulier Ray. Compréhension approfondie des architectures d’apprentissage automatique (par exemple, RNN, transformateurs, réseaux neuronaux graphiques, réseaux de prédiction du comportement) et de l’intégration au niveau du système dans les piles d’autonomie. Expérience des pipelines de données à grande échelle, de l’infrastructure d’entraînement des modèles, de gestion des versions et du déploiement (infonuagique et/ou embarqué). Points bonus! Expérience dans le domaine du camionnage, de l’autonomie des autoroutes ou de la modélisation du comportement des véhicules lourds. Expertise dans Ray Expérience de l’intégration de modules de comportement acquis dans les flux de travail de simulation et de V&V pour les systèmes autonomes. Familiarité avec les cadres de simulation, les bibliothèques de scénarios et la couverture des ODD. Expérience dans l’apprentissage par renforcement dans le monde réel ou la simulation, l’apprentissage par imitation des conducteurs humains, ou la modélisation multiagent dans des contextes de véhicules. Expérience des modèles de capteurs, des modèles de dynamique des véhicules et de l’adaptation du domaine de la simulation au monde réel. La connaissance de l’anglais est exigée puisque la personne retenue devra collaborer de façon journalière avec des collègues anglophones aux États-Unis et travailler avec la documentation technique rédigée uniquement en anglais. Avantages d’être un employé à temps plein Torc’r Torc se soucie de ses membres d'équipe et s'efforce de fournir des avantages et des ressources pour soutenir leur santé, leur équilibre entre vie professionnelle et vie personnelle, ainsi que leur avenir. Notre culture est collaborative, dynamique et axée sur le travail d'équipe. Torc offre: Un programme de rémunération concurrentiel incluant un volet de primes et des options d’achat d’actions Une couverture médicale, dentaire et de la vue pour les employés à temps plein Un régime d’épargne-retraite (REER) avec une contribution de l’employeur de 4 % Une subvention pour le transport en commun (uniquement dans la région de Montréal) Une flexibilité des horaires et des vacances payées généreuses Des fermetures de bureau pendant les congés fériés à l’échelle de l’entreprise Une assurance-vie Notre rémunération reflète le coût de la main-d'œuvre sur plusieurs marchés géographiques. Le salaire est déterminé en fonction d'un certain nombre de facteurs et peut varier en fonction des connaissances, des compétences et de l'expérience liées au poste. Le programme de rémunération globale de Torc comprend également notre prime corporative et notre régime d’options d’achat d’actions. Selon le poste proposé, des primes d’embauche, des indemnités de relocalisation ou d’autres formes de rémunération peuvent aussi être inclus dans le cadre du programme de rémunération globale, en plus d’une gamme complète d’avantages sociaux, médicaux, financiers et/ou autres. À Torc, nous nous engageons à cultiver un milieu de travail diversifié et inclusif. Nous célébrons l’unicité de chaque membre de l’équipe de Torc. Nous ne faisons pas de discrimination par rapport à l’origine ethnique, la religion, la couleur de peau, la nationalité, le genre (y compris la grossesse, les enfants ou autre condition médicale), l’orientation sexuelle, l’identité de genre, l’expression de genre, l’âge, le statut de vétéran ou les handicaps. Même si vous ne répondez pas à 100 % des qualifications énumérées pour ce poste, nous vous invitons à postuler. Numéro de poste: 102403 Fourchette salariale pour le poste Fourchette de rémunération au Canada: $209,200 - $313,800 CAD

Responsibilities

Lead the architecture, development, and validation of acquired behavior models for autonomous trucks. Collaborate with various teams to create modules that ensure safe and efficient decision-making in real-world operations.