Ingénieur·e en apprentissage automatique, II

À propos de l’entreprise  

À Torc, nous avons toujours cru que la technologie des véhicules autonomes transformera la façon dont nous voyageons, transportons la marchandise et faisons des affaires.  

Leader de la conduite autonome depuis 2007, Torc a passé plus d’une décennie à commercialiser des solutions aux côtés de partenaires chevronnés. Nous faisons maintenant partie de la famille Daimler, ce qui nous permet de nous concentrer uniquement sur le développement de logiciels pour les camions automatisés. Nous transformerons la façon dont le monde transporte la marchandise.  

Joignez-vous à notre équipe : catapultez votre carrière au sein de l’entreprise ayant contribué à créer la technologie de conduite autonome (CA). Nous sommes la première entreprise de logiciels de CA ayant eu la vision de faire équipe directement avec un constructeur de camions.  

La connaissance de l’anglais est exigée puisque la personne retenue devra collaborer de façon journalière avec des collègues anglophones aux États-Unis et travailler avec la documentation technique rédigée uniquement en anglais. 

Rencontrez l’équipe 

En tant qu’ingénieur·e en apprentissage automatique, II - De bout en bout, vous aiderez à développer et à déployer les modèles de bout en bout qui favorisent la perception et la prise de décision pour les camions autonomes. En travaillant en étroite collaboration avec les équipes de perception, de prédiction, de planification et de sécurité, vous contribuerez aux modèles de bout en bout permettant une conduite sécuritaire, efficace et semblable à celle d’un être humain lors d’opérations de transport dans le monde réel. Ce poste consiste à concevoir, valider et améliorer les modèles d’apprentissage automatique et l’infrastructure qui soutiennent les systèmes de bout en bout au sein de la pile d’autonomie.

Ce que vous ferez 

• Développer et entraîner les modèles d’apprentissage automatique pour la perception et planification de bout en bout, y compris les approches comme l’apprentissage par imitation et par renforcement. 

• Mettre en œuvre un code d’AA de qualité production afin de soutenir l’entraînement, l’évaluation et l’inférence de modèles au sein de la pile d’autonomie. 

• Analyser le rendement de modèles, identifier les modes d’échec et proposer des améliorations afin d’augmenter la robustesse et la généralisation à travers différents scénarios. 

• Contribuer aux pipelines d’entraînement des modèles et flux de travail des données, organiser les ensembles de données de la simulation, des registres de flotte et des données des véhicules. 

• Collaborer avec les équipes de simulation, de validation et d’ingénierie d’autonomie pour tester et évaluer les modèles de bout en bout à travers divers environnements de conduite. 

• Aider à intégrer les modèles de bout en bout dans les flux de travail de simulation et de test, permettant ainsi une itération plus rapide et une validation plus complète. 

• Soutenir le développement des outils et de l’infrastructure qui améliorent la vitesse d’expérimentation, la répétabilité et l’itération de modèles. 

• Contribuer aux discussions techniques par rapport aux architectures de modèles et aux stratégies d’entraînement au sein de l’équipe. 

Ce dont vous aurez besoin pour réussir 

• Baccalauréat en informatique, robotique, génie électrique, apprentissage automatique ou autre domaine technique connexe avec au moins 4 ans dans le milieu ou une maîtrise avec au moins 2 ans d’expérience. 

• Expérience en application de techniques d’apprentissage automatique, comme l’apprentissage par imitation ou l’apprentissage par renforcement, à la robotique, aux systèmes autonomes ou aux environnements de contrôle complexes. 

• Compétences robustes en programmation Python et PyTorch, avec de l’expérience en codage d’AA de qualité production. 

• Expérience en entraînement et évaluation de modèles d’apprentissage automatique à l’aide de grands ensembles de données et d’environnements informatiques adaptatifs. 

• Compréhension des architectures d’AA utilisées dans les systèmes de bout en bout, comme les modèles BEV, les transformateurs, les modèles VLA (Vision-Langage-Action) ou les modèles de diffusion. 

• Expérience en débogage du comportement des modèles, en analyse des données métriques de rendement et en itération sur les pipelines d’entraînement. 

• Capacité à collaborer avec des équipes pluridisciplinaires afin d’intégrer les modèles d’AA à de plus grands systèmes logiciels.