Applied Mathematician (Probability, Measure Theory, and Statistics) (GB)

Signaloid oferuje przełomową platformę obliczeniową zaprojektowaną do dynamicznego śledzenia niepewności danych podczas wykonywania zadań. Platforma ta wykorzystuje deterministyczne obliczenia na reprezentacjach dystrybucji prawdopodobieństwa wewnątrz procesora, co daje znaczną przewagę nad tradycyjnymi metodami Monte Carlo, oferując znaczne przyspieszenia i redukcje kosztów. Dostępna jako silnik w chmurze z API do wykonywania zadań, Signaloid wspiera również implementacje lokalne i na sprzęcie brzegowym, zapewniając płynne działanie nawet bez połączenia z chmurą.

Nasza platforma wyróżnia się jako najbardziej opłacalne i najszybsze rozwiązanie do kwantyfikacji niepewności w aplikacjach inżynieryjnych. Niezależnie od tego, czy chodzi o wycenę opcji i modelowanie portfela w finansach, czy modelowanie materiałów i symulację fotoniki w inżynierii, nasz system przewyższa implementacje oparte na Monte Carlo działające na wysokiej klasy instancjach AWS EC2 o rząd wielkości lub więcej.

Dołącz do zespołu inżynierów kontrarianów z bogatym doświadczeniem badawczym, inżynierskim i przywódczym zdobywanym w gigantach branży jak Apple, ARM i Bell Labs, jak również w prestiżowych instytucjach takich jak CMU, Cambridge, MIT i Oxford. Dowiedz się więcej i wypróbuj platformę obliczeniową Signaloid śledzącą niepewności, rejestrując się za darmo na Platforma dla deweloperów Signaloid.

Jako Matematyk stosowany będziesz ściśle współpracować z założycielem Signaloid oraz zespołami inżynieryjnymi. Twoim zadaniem będzie opracowanie nowych technik matematycznych w celu ulepszenia zdolności naszej platformy do wykonywania deterministycznych obliczeń na reprezentacjach dystrybucji prawdopodobieństwa w skończonej wymiarze wewnątrz procesora. Rola ta skupia się na badaniach stosowanych w ramach zadań i terminów produktowych.

Kluczowe obowiązki:

• Tworzenie nowych wariantów reprezentacji dystrybucji prawdopodobieństwa w skończonej wymiarze.
• Współpraca z innymi matematykami nad zgłębianiem własności tych reprezentacji.
• Opracowywanie solidnych implementacji w językach C/C++, zapewniając ich dobre przetestowanie, udokumentowanie i gotowość do zastosowania w produktach.
• Rozwój i tworzenie analitycznych granic oraz dowodów dla reprezentacji dystrybucji.
• Analiza wpływu reprezentacji dystrybucji na różne dziedziny, od uczenia maszynowego po finanse.
• Komunikacja odkryć poprzez dokumentację wewnętrzną, publikacje badawcze i posty na blogu.

Możliwości rozwoju:

W ciągu roku oczekuje się, że przejmiesz większą odpowiedzialność za kształtowanie przyszłości teorii prawdopodobieństwa stosowanej i statystyki na naszej platformie, nawiążesz współpracę z badaczami i rozszerzysz działania na obszary prezentujące Twoje wyjątkowe umiejętności.

Wymagania:

Minimalne umiejętności i doświadczenie:

• Tytuł magistra lub doktorat z matematyki stosowanej lub pokrewnej dziedziny.
• Silne podstawy w prawdopodobieństwie, teorii miary i statystyce.
• Udokumentowane badania i publikacje w dziedzinie matematyki stosowanej, nauk ścisłych lub inżynierii.
• Wyjątkowe zdolności anal