PhD Data Analyst Research Intern (Fall 24)

Rozpocznij podróż z Dolby Laboratories i pomóż nam kształtować przyszłość rozrywki i komunikacji. Program stażowy Dolby U zapewnia wpływowe, projektowe doświadczenie w pracy w kreatywnym, współpracującym środowisku wraz z liderami branży. Odkryj swoją ciekawość, rozwijając realne rozwiązania, które rewolucjonizują sposób, w jaki ludzie komunikują się i czerpią przyjemność z rozrywki na całym świecie.

Oferujemy inkluzywną kulturę, wymagające projekty, doskonałe wynagrodzenie i benefity. Nasze naprawdę elastyczne podejście Flex Work wspiera miejsce, czas i sposób, w jaki wykonujesz swoją najlepszą pracę. Dla studentów pragnących zdobyć bezcenne doświadczenie poprzez znaczące wkłady, dołącz do nas w kształtowaniu przyszłości, gdzie technologia spotyka się z rozrywką!

Advanced Technology Group (ATG) to dział badawczy Dolby. Misją ATG jest przewidywanie, dostarczanie wglądów i rozwijanie rozwiązań technologicznych, które napędzają rozwój Dolby. Nasi badacze posiadają szeroką wiedzę w dziedzinie informatyki i inżynierii elektrycznej, w tym AI/ML, algorytmów, cyfrowego przetwarzania sygnałów, inżynierii dźwięku, przetwarzania obrazu, wizji komputerowej, danych naukowych i analizy, rozproszonych systemów, chmury, brzegowego i mobilnego przetwarzania, sieci komputerowych oraz IoT.

Zostań kluczowym graczem w kształtowaniu przyszłości doświadczeń motoryzacyjnych, wykorzystując najnowocześniejsze technologie i różnorodne źródła danych! Jako Stażysta Analityk Danych będziesz analizować dane wielomodalne z samochodów, aby poprawić doświadczenia użytkowników, korzystając z różnych źródeł danych, takich jak dźwięk, wideo, czujniki i interakcje w języku naturalnym. Twoje wnioski pomogą zrewolucjonizować doświadczenia audio w samochodzie.

Obowiązki obejmują:

1. Zbieranie i analiza danych wielomodalnych:

• Współpraca z systemem przechwytywania danych z samochodów, aby wyodrębniać i integrować dane z różnych modalności (dźwięk, wideo, lidar, radar, GPS).
• Rozwijanie potoków przetwarzania wstępnego, aby obsługiwać zsynchronizowane dane wielomodalne.

2. Rozwój modeli uczenia maszynowego:

• Wykorzystywanie technik uczenia maszynowego do tworzenia modeli dla różnych zadań.
• Modele przetwarzania dźwięku: wyodrębnianie odpowiednich cech z danych dźwiękowych. Trenowanie modeli regresji i klasyfikacji do przetwarzania dźwięku, wykrywania hałasu.
• Modele wizji komputerowej: implementacja modeli wizji komputerowej do analizy kokpitu, zaludnienia pasażerów, uwagi kierowcy. Wykonanie segmentacji semantycznej na klatkach wideo.
• Fuzja i śledzenie czujników: łączenie danych z lidaru, radaru i GPS. Śledzenie obiektów w czasie rzeczywistym.
• Przetwarzanie języka naturalnego (NLP): przetwarzanie języka (tekst i/lub sygnał dźwiękowy) dla interakcji w samochodzie.

3. Ocena i optymalizacja modeli:

• Ocena wydajności modeli wielomodalnych przy użyciu odpowiednich metryk.
• Optymalizacja modeli na podstawie opinii użytkowników i rzeczywistych scenariuszy.

Edukacja: