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

Signaloid предлагает революционную вычислительную платформу, предназначенную для динамического отслеживания неопределенностей данных в течение выполнения. Используя детерминированные вычисления на внутрипроцессорных представлениях распределений вероятности, наша платформа превосходит традиционные методы Монте-Карло, обеспечивая значительные ускорения и снижение затрат. Доступная как облачный движок с API для выполнения задач, платформа Signaloid также поддерживает локальные и граничные аппаратные реализации, обеспечивая бесперебойную работу даже без облачного соединения.

Наша платформа выделяется как самое экономически эффективное и быстрое решение для приложений, связанных с количественной оценкой неопределенностей в инженерии. Независимо от того, речь идет о ценообразовании опционов и моделировании портфелей в финансах или моделировании материалов и симуляции фотоники в инженерии, наша система опережает реализации на основе Монте-Карло, выполняемые на высококлассных экземплярах AWS EC2, на порядок и более.

Присоединяйтесь к команде противоположных инженеров с обширным опытом исследований, инженерии и руководства в таких гигантах индустрии, как Apple, ARM и Bell Labs, а также престижных учреждениях, таких как CMU, Кембридж, MIT и Оксфорд. Узнайте больше и попробуйте платформу Signaloid для отслеживания неопределенностей, зарегистрировавшись бесплатно на Signaloid Developer Platform.

В качестве прикладного математика вы будете тесно сотрудничать с основателем Signaloid и инженерными командами. Ваша миссия: разработать новые математические методы для улучшения способности нашей платформы выполнять детерминированные вычисления на конечномерных внутрипроцессорных представлениях распределений вероятности. Эта роль придает большое значение прикладным исследованиям в рамках продуктов с жесткими сроками выполнения.

• Создание новых вариантов конечномерных представлений распределений вероятности.
• Работа с коллегами-математиками для изучения свойств этих представлений.
• Разработка надежных реализаций на C/C++, обеспечение их хорошей тестируемости, документирования и готовности к применению в продуктах.
• Расширение и создание аналитических границ и доказательств для представлений распределений.
• Изучение влияния представлений распределений в различных областях, от машинного обучения до финансов.
• Коммуникация результатов через внутреннюю документацию, публикации научных исследований и блог-посты.

В течение года ожидается повышение ответственности за формирование будущего теории прикладной вероятности и статистики на нашей платформе, сотрудничество с исследователями и расширение в области, демонстрирующих ваши исключительные навыки.

Требования

Минимальные навыки и опыт

• Степень магистра или PhD в области прикладной математики или смежной дисциплины.
• Сильные знания в области теории вероятностей, теории меры и статистики.
• Подтвержденные исследования и публикации в области прикладной математики, наук или инженерии.
• Исключительные аналитические способности и способность быстро учиться.
• Опыт программирования на C/C++.
• Способность ясно излагать идеи нефизикам и работать в разных инженерных функциях.
• Честность, эмпатия и глубокое понимание различных точек зрения.

Желательные навыки и опыт

• Сильный опыт в численной линейной алгебре.
• Опыт работы с стохастическими дифференциальными уравнениями.
• Понимание неопределенностей в измерениях и инженерных системах.
• Знание Python.

Наш процесс подбора

Мы уделяем приоритетное внимание навыкам четкой коммуникации в удаленной рабочей