Head of Psysical AI

Este es un requisito indispensable. Debes haber tomado personalmente decisiones materiales de arquitectura o entrenamiento en al menos un sistema sustancial basado en Transformer, como:

• Vision Transformers

• Modelos de visión-lenguaje o visión-lenguaje-acción

• Modelos fundacionales multimodales

• Decision Transformers

• Diffusion Transformers

• Video Transformers

• Modelos de mundo (world models)

• Sistemas de percepción, planificación o control basados en Transformer

Deberías ser capaz de explicar cómo representaste y tokenizaste las entradas y salidas, cómo fusionaste modalidades, cómo estructuraste la atención y el contexto temporal, cómo seleccionaste las funciones de pérdida (losses), cómo construiste mezclas de datos, cómo distribuiste y monitorizaste el entrenamiento, cómo diagnosticaste fallos y cómo modificaste el sistema para mejorar el rendimiento de la tarea.

El uso de APIs de modelos alojados, el uso de prompts en modelos de lenguaje o la ejecución de una receta de entrenamiento pública sin cambios no cumplen este requisito.

Has trabajado en aprendizaje automático para un sistema que percibe o actúa en el mundo físico, como robótica, vehículos autónomos, drones, automatización industrial, manipulación, robots móviles, humanoides o sistemas vestibles (wearables) y egocéntricos.

Al menos un proyecto sustancial debe haber progresado más allá de conjuntos de datos offline o simulaciones hacia un sistema físico real u operativo. La experiencia en simulación solo califica cuando va acompañada de una propiedad creíble de sim-to-real y validación física.

• Sólidas habilidades de ingeniería en Python

• Experiencia directa con PyTorch o un framework de aprendizaje profundo equivalente

• Capacidad para leer y depurar código de modelos y entrenamiento desconocido

• Experiencia en el diseño de experimentos controlados y el análisis de fallos en ejecuciones (rollouts)

• Experiencia trabajando con grandes conjuntos de datos multimodales

• Criterio sólido sobre cómputo, memoria, estabilidad de entrenamiento, latencia de inferencia y costes

Has marcado la dirección de un programa técnico significativo de investigación, desarrollo de modelos, robótica o multifuncional. Has tomado decisiones de arquitectura y recursos, has mentorizado o contratado talento técnico, has detenido líneas de trabajo débiles y has ayudado a llevar un resultado al despliegue.

No se requiere un cargo de gestión, pero sí la responsabilidad técnica directa.

Se dará prioridad a los candidatos que combinen una profunda experiencia en Transformers con una sólida experiencia en visión artificial. Las áreas relevantes incluyen:

• Aprendizaje de representación visual

• VLMs y modelado de vídeo o temporal

• Detección, segmentación y seguimiento

• Visión multi-vista y egocéntrica

• Razonamiento espacial y 3D

• Estimación de pose, calibración y localización

• Fusión de sensores

• Sistemas de visión en tiempo real

La experiencia adicional valiosa incluye:

• Modelos de visión-lenguaje-acción o modelos fundacionales de robótica

• Tokenización de acciones o generación de acciones continuas

• Políticas de difusión (diffusion) o de ajuste de flujo (flow-matching)

• Aprendizaje por imitación o aprendizaje por refuerzo

• Modelos de mundo y entrenamiento cross-embodiment

• Manipulación robótica

• Entrenamiento distribuido y optimización de la inferencia

• ROS 2

• Transferencia sim-to-real

• Sistemas críticos para la seguridad

• Trabajos de código abierto ampliamente utilizados o publicaciones de investigación de autoría propia

• Experiencia en empresas en etapas iniciales (early-stage)

• Trabajo con clientes técnicos o socios de investigación

Un doctorado en aprendizaje automático, visión artificial, robótica, informática o un campo relacionado es valioso pero no obligatorio. Un historial equivalente de trabajo original en modelos, liderazgo técnico y entrega de sistemas reales es igualmente relevante.

A Miraxis lo que más le importa es lo que tú personalmente hayas diseñado, entrenado, evaluado y desplegado.

Head of Physical AI

Nuestro cliente busca un Head of Physical AI para establecer y liderar su función de ingeniería e investigación de IA.

Decidirás qué problemas de Physical AI aborda la empresa, definirás cómo se evalúan los resultados y permanecerás directamente involucrado en el trabajo técnico más importante. Conectarás cuatro áreas que a menudo se tratan por separado:

• Datos multimodales y corporizados (embodied)

• Modelos basados en Transformer y políticas robóticas

• Evaluación rigurosa offline y en el mundo real

• Despliegue en sistemas físicos

Este es un rol de "player-coach" (jugador-entrenador). Durante tu primer año, al menos la mitad de tu tiempo se dedicará al trabajo técnico directo: diseñar modelos y experimentos, escribir o revisar código, inspeccionar datos, depurar ejecuciones de entrenamiento, analizar fallos y revisar ejecuciones robóticas (rollouts).

También construirás un equipo pequeño y especializado de investigadores e ingenieros a medida que el trabajo lo requiera.

• Definir una hoja de ruta enfocada de investigación e ingeniería de Physical AI con hipótesis, líneas base, hitos, medidas de éxito y criterios de parada claros.

• Seleccionar las familias de modelos que Miraxis debe entrenar, adaptar o evaluar y determinar cuándo construir internamente, usar modelos abiertos, licenciar tecnología o trabajar a través de socios.

• Diseñar, adaptar, entrenar y evaluar personalmente sistemas basados en Transformer para tareas corporizadas (embodied).

• Trabajar en áreas como modelos de visión-lenguaje-acción, Transformers multimodales, modelos fundacionales de robótica, representación de acciones, aprendizaje por imitación, aprendizaje por refuerzo, modelos de mundo, transferencia entre diferentes corporalidades (cross-embodiment) y evaluación de políticas robóticas.

• Definir los sensores, modalidades, anotaciones, mezclas de datos, cobertura y controles de calidad necesarios para entrenar y evaluar los modelos seleccionados.

• Medir cómo la calidad, diversidad y composición de los datos afectan al comportamiento del modelo y al rendimiento en tareas del mundo real.

• Establecer sistemas de evaluación reproducibles offline y en el mundo real, líneas base, condiciones de validación (held-out) y puertas de lanzamiento (release gates).

• Proteger las evaluaciones contra la fuga de datos (leakage), el sobreajuste (overfitting) y los criterios de éxito débiles o engañosos.

• Llevar los proyectos desde la definición del problema hasta el entrenamiento, la integración de hardware y la validación en el mundo real.

• Analizar fallos en datos, percepción, modelos, control, hardware y el entorno operativo.

• Diseñar planes de despliegue y pruebas físicas seguros y por etapas, con mecanismos claros de supervisión y reversión (rollback).

• Reclutar y liderar un equipo pequeño de investigadores e ingenieros complementarios.

• Liderar revisiones de arquitectura, experimentos, código, despliegues y fallos.

• Traducir las necesidades de clientes y socios en requisitos técnicos comprobables.

• Comunicar la estrategia técnica, la evidencia, la incertidumbre y las limitaciones de forma clara a clientes, socios e inversores.

Ubicación: Remoto - se prefiere Europa y Estados Unidos; se considerarán candidatos excepcionales de todo el mundo
Contrato: Jornada completa
Reporta a: CEO
Tipo de rol: Líder técnico práctico y constructor de equipos
Viajes: Según sea necesario

• Auditar los datos de Miraxis, los activos de evaluación, las asociaciones y las oportunidades de modelos.

• Seleccionar una o dos apuestas de investigación enfocadas.

• Establecer una línea base de modelo reproducible y una suite de evaluación inicial.

• Definir un camino creíble hacia la validación física.

• Presentar una hoja de ruta práctica de 12 meses respaldada por evidencia técnica operativa.

• Entrenar, adaptar o evaluar rigurosamente al menos un modelo basado en Transformer o una política robótica relevante.

• Confirmar o rechazar al menos una hipótesis técnica importante.

• Establecer un flujo de trabajo repetible de datos-entrenamiento-evaluación.

• Realizar pruebas en un robot real, directamente o a través de un socio de hardware creíble.

• Documentar los fallos de los representantes y sus implicaciones.

• Demostrar una mejora mensurable atribuible a los datos, métodos o sistemas de garantía de Miraxis.

• Cerrar el ciclo entre los fallos del modelo, las decisiones de datos, el reentrenamiento y la reevaluación.

• Entregar un modelo, benchmark, sistema de evaluación o despliegue que un cliente o socio pueda utilizar.

• Crear un equipo pequeño capaz de llevar a cabo el trabajo sin capas de procesos innecesarias.

El éxito se juzgará por la calidad de la decisión, la reproducibilidad, los resultados en sistemas reales y el valor para el cliente, no por el tamaño del equipo, el número de artículos, el número de parámetros o el volumen de experimentos.