Led nästa våg av AI-innovation

Gå med i AstraZenecas Center för AI och tänj på gränserna för vad som är möjligt. Vi kombinerar banbrytande vetenskap med avancerad AI för att påskynda upptäckter och leverera livsförändrande mediciner. Här kommer du att arbeta med visionära sinnen, utforska djärva idéer och forma framtiden för vård genom teknologi. Innovation börjar med dig.

Rollbeskrivning

Denna roll syftar till att förena banbrytande AI-forskning och produktionsingenjörskonst, vilket möjliggör vetenskapliga genombrott genom robust, skalbar och hållbar forskningsinfrastruktur. Denna position ger strategiskt tekniskt ledarskap i att bygga plattformar, verktyg och metoder som påskyndar AI-drivna vetenskapliga upptäckter samtidigt som hållbarhet och ingenjörsexcellens främjas inom AstraZenecas FoU- och vetenskapsfunktioner.

Nyckelansvar

Ledarskap inom forskningsingenjörskonst

• Ge teknisk vision och ledarskap för forskningsingenjörsinitiativ som möjliggör för forskare att snabbt experimentera, iterera och skala AI-lösningar från koncept till produktion.
• Designa och implementera forskningsinfrastruktur, ramverk och verktyg som överbryggar klyftan mellan utforskande forskning och företagsutplacering, vilket säkerställer reproducerbarhet, skalbarhet och efterlevnad.
• Mentorera forskningsingenjörer och samarbeta nära med forskningsvetare för att etablera bästa praxis som upprätthåller vetenskaplig noggrannhet samtidigt som vägen från forskning till påverkan påskyndas.

Hållbar AI-forskningsinfrastruktur

• Led definitionen och implementeringen av hållbarhetsstrategier för AI-forskningsarbetsbelastningar, etablera mätvärden, övervakningsramverk och optimeringsmetoder för att minimera miljöpåverkan utan att kompromissa med vetenskaplig kvalitet.
• Arkitektera effektiva distribuerade datorkapaciteter för storskalig modellträning och experimentering över moln- och lokala infrastrukturer, optimera för både prestanda och energieffektivitet.
• Driva innovation inom resursutnyttjande, experimentspårning och beräknings effektivitet för att minska kostnader och koldioxidavtryck från forskningsaktiviteter.

Excellens från forskning till produktion

• Äga standarder och metoder för forskningsingenjörskonst inom AI för vetenskap, utveckla omfattande dokumentation, återanvändbara komponenter och automatisering som möjliggör sömlös övergång från forskningsprototyper till produktionssystem.
• Partnerskap med forskningsteam, infrastrukturgrupper, MLOps-team och externa samarbetspartner för att skapa robusta pipelines som stödjer hela forskningslivscykeln från hypotes till validerade, utplaceringbara lösningar.
• Påskynda vetenskaplig upptäckte genom att implementera DevOps, GitOps och MLOps-automatisering anpassad till forskningsarbetsflöden, vilket minskar friktion och manuell intervention samtidigt som experimentell flexibilitet bibehålls.

Innovation och vetenskaplig möjliggörande

• Identifiera och utvärdera framväxande metoder, verktyg och teknologier inom forskningsingenjörskonst som förbättrar både vetenskaplig kapacitet och operationell hållbarhet.
• Leva initiativ för att förbättra reproducerbarhet, experimenthantering och samarbete över distribuerade forskningsteam.
• Främja en innovationskultur som balanserar vetenskaplig utforskning med ingenjörsdiciplin, vilket möjliggör för forskare att fokusera på upptäckter samtidigt som produktionskvalitetsstandarder upprätthålls.

Viktiga färdigheter och erfarenheter

• Doktorsexamen i datavetenskap, ingenjörsvetenskap eller ett relevant vetenskapligt område, eller magisterexamen med betydande erfarenhet inom forskningsingenjörskonst eller tillämpade forskningsroller.
• Visad erfarenhet av att bygga forskningsinfrastruktur och verktyg som har möjliggjort för vetenskapliga team att uppnå mätbar påverkan.
• Omfattande erfarenhet av att etablera bästa praxis inom forskningsingenjörskonst, inklusive experimentspårning, reproducerbarhetsramverk och forsknings-till-produktionsarbetsflöden.
• Expertis inom automatisering av forskningsarbetsflöden och livscykeln för maskininlärning, med fokus på att möjliggöra snabb experimentering och iteration.
• Avancerad kompetens i Python och det vetenskapliga databehandlings ekosystemet (NumPy, Pandas, SciPy, etc.), med förståelse för hur forskare använder dessa verktyg.
• Expert-nivå erfarenhet av PyTorch eller liknande ramverk, inklusive implementering av anpassade arkitekturer och optimering av träningsarbetsflöden.
• Visad erfarenhet av DDP, FSDP och multi-node träning.
• Stark bakgrund med moderna DevOps-praxis inklusive GitHub/GitLab, CI/CD-pipelines och infrastruktur-som-kod tillämpad på forskningsmiljöer.
• Erfarenhet av att köra arbetsbelastningar som containrar, containerorkestrering, moln- och lokala arbetsbelastningar.
• Visad förmåga att samarbeta effektivt med forskningsvetare, översätta forskningsbehov till robusta ingenjörslösningar.