Детали

Грейд

Senior

Опыт работы

5-8 лет

Уровень английского

C1, продвинутый

Сопроводительное письмо к вакансии

Письмо на почту или сообщение рекрутеру в Telegram

О вакансии

Определите, как оценивать, сравнивать и доверять ИИ-моделям для открытия новых материалов

Dunia создает ИИ для решения одной из самых сложных научных задач: превращение открытия материалов из академического процесса проб и ошибок в программируемую, масштабируемую дисциплину.

Поскольку наши модели становятся все сложнее, а пропускная способность экспериментов увеличивается, ограничивающим фактором становится не генерация предсказаний, а знание того, каким из них можно доверять.

В качестве научного сотрудника по информатике материалов (с фокусом на оценку) вы будете отвечать за оценку и валидацию ИИ-моделей, применяемых для открытия новых материалов. Ваша роль заключается в обеспечении того, чтобы заявления о производительности моделей были осмысленными, сопоставимыми и релевантными для принятия решений, а прогресс в области ИИ для материалов отражал реальные улучшения в открытии, а не артефакты метрик или наборов данных.

Эта роль заключается не в создании новых моделей. Она заключается в определении стандартов, по которым будут оцениваться модели.

Задачи

Владение оценкой как научной дисциплиной

Проектирование, внедрение и поддержка фреймворков оценки для ИИ-моделей в задачах открытия новых материалов
Определение метрик и протоколов, отражающих обобщение, надежность, неопределенность и экспериментальную релевантность
Выявление режимов отказа, утечки данных и вводящих в заблуждение сигналов производительности

Анализ и сравнение моделей

Систематическое тестирование различных классов моделей, режимов обучения и представлений
Оценка компромиссов между точностью, неопределенностью, эффективностью использования данных и удобством использования
Предоставление четких, обоснованных рекомендаций о том, каким моделям доверять, какие внедрять, а какие выводить из эксплуатации

Связь производительности ИИ с реальными результатами

Связывание поведения моделей с экспериментальными результатами и целями программы
Различение улучшений, которые меняют решения, от тех, которые только улучшают абстрактные оценки
Помощь исследовательским и программным командам в понимании того, что текущие модели могут и не могут надежно делать

Создание надежных аналитических инструментов

Разработка и поддержка профессиональных скриптов и конвейеров анализа для оценки и тестирования
Визуализация сложных, многомерных результатов таким образом, чтобы выявить реальное понимание
Обеспечение дисциплинированного, воспроизводимого обращения с данными, кодом и результатами

Четкое донесение правды

Четкое представление результатов исследователям ИИ, ученым-материаловедам и руководству
Создание кратких резюме, которые объединяют организацию вокруг общего видения доказательств и неопределенности
Выступление в качестве независимой научной точки отсчета при проверке утверждений

Требования

PhD (настоятельно рекомендуется) или степень магистра в области материаловедения, химии, физики, машинного обучения или смежной области
Значительный опыт (обычно 5–8 лет) работы с научными или ML-системами в условиях реальной неопределенности
Подтвержденный опыт оценки, тестирования или валидации моделей, а не только их создания
Сильные навыки программирования на Python и опыт работы с инструментами для научных данных
Глубокое понимание строгости, воспроизводимости и тщательной интерпретации результатов
Свободное владение английским языком, желательно знание дополнительных языков

Your mission

Define how AI models for materials discovery are evaluated, compared, and trusted

Dunia is building AI for one of the hardest unsolved problems in science: turning materials discovery from an academic, trial-and-error process into a programmable, scalable discipline.

As our models grow more complex and our experimental throughput increases, the limiting factor is no longer generating predictions, but knowing which ones to believe.

As Materials Informatics Scientist (Evaluation-focused), you will own the evaluation and validation of AI models applied to materials discovery. Your role is to ensure that model performance claims are meaningful, comparable, and decision-relevant, and that progress in AI for Materials reflects real improvements in discovery, not artifacts of metrics or datasets.

This role is not about building new models. It is about defining the standards by which models are judged.

Your tasks will include:

Own evaluation as a scientific discipline

Design, implement, and maintain evaluation frameworks for AI models across materials discovery tasks
Define metrics and protocols that reflect generalization, robustness, uncertainty, and experimental relevance
Identify failure modes, dataset leakage, and misleading performance signals

Interrogate and compare models

Systematically benchmark different model classes, training regimes, and representations
Evaluate tradeoffs between accuracy, uncertainty, data efficiency, and usability
Provide clear, defensible recommendations on which models to trust, deploy, or retire

Connect AI performance to real outcomes

Link model behavior to experimental results and program-level objectives
Distinguish improvements that change decisions from those that only improve abstract scores
Help research and programs teams understand what current models can and cannot reliably do

Build robust analytical tooling

Develop and maintain professional-grade scripts and analysis pipelines for evaluation and benchmarking
Visualize complex, high-dimensional results in ways that surface real insight
Ensure disciplined, reproducible handling of data, code, and results

Communicate truth clearly

Present findings clearly to AI researchers, materials scientists, and leadership
Produce concise summaries that align the organization around a shared view of evidence and uncertainty
Act as an independent scientific reference point when claims require validation

Your profile

PhD (strongly preferred) or Master’s degree in materials science, chemistry, physics, machine learning, or a related field
Significant experience (typically 5–8 years) working with scientific or ML systems under real-world uncertainty
Demonstrated experience evaluating, benchmarking, or validating models rather than only building them
Strong programming skills in Python and scientific data tooling
Deep appreciation for rigor, reproducibility, and careful interpretation of results
English fluency, additional languages preferred

Подходит ли тебе эта вакансия?

Сравним навыки, грейд, формат работы и зарплату

Ключевые навыки

Python
Machine Learning
Model Evaluation
Benchmarking
Scientific Data Analysis
Визуализация данных
Reproducibility

Оценка зарплаты

119 000EURв год

Чаще всего от 86 900 до 120 000