Observé chez

Staff Machine Learning Engineer Edge AI

Automobile

Informatique

Dublin

PyTorchTensorFlowONNXTFLiteTVMPythonC++GeminiOpenAIClaudescikit-learntslearnstatsmodelsNVIDIA TensorRTQualcomm SNPE

Rôle

Architecte et lead ML pour systèmes de santé prédictive embarqués dans véhicules intelligents. Responsable de la conception et du déploiement de pipelines ML end to end sur dispositifs edge contraints incluant l'optimisation de modèles d'IA pour l'analyse en temps réel de logs système traces et signaux CAN/Ethernet afin de détecter et prédire les défaillances de sous systèmes véhicule.

Technologies

PyTorchTensorFlowONNXTFLiteTVMPythonC++GeminiOpenAIClaudescikit-learntslearnstatsmodelsNVIDIA TensorRTQualcomm SNPE

Contextes

AutomobileVéhicules intelligentsLogiciels embarqués

Compétences

Modélisation et entraînement de modèles Edge AI (Transformers, LLM, CNN, LSTM)Intégration de flux ML avec APIs LLM cloudCréation de données synthétiquesClustering automatique de patterns de logsDétection de régressions logicielles et conditions de courseModèles d'apprentissage non supervisé et supervisé (Autoencoders, Isolation Forests)Monitoring de données temporelles depuis bus CAN et capteurs embarquésCorrélation d'anomalies de signaux avec événements systèmePortage et optimisation de modèles PyTorch/TensorFlow pour productionQuantization, pruning, distillation et optimisation mémoireStratégie de filtrage de données on-deviceArchitecture de pipelines ML edgeMentorat d'ingénieurs juniorsTraitement NLP de données textuellesModélisation de séquences (RNN/GRU)Déploiement sur environnements Edge (ARM)Gestion manuelle de mémoire et ressources de calcul limitéesDébogage au niveau OS (Linux/QNX kernel logs, dmesg, états de processus)Protocoles automobiles (CAN, DBC, UDS, SOME/IP, MQTT)Computer Vision

Challenges détectés

4 enjeux

Transformation
Transformer les méthodes logicielles automobiles traditionnelles pour supporter l'IA embarquée et les mises à jour conti
Optimisation
Optimiser les modèles d'IA pour s'exécuter sur des dispositifs edge fortement contraints en ressources (RAM/Flash en MB)
Optimisation
Détecter et prédire en temps réel les défaillances de sous-systèmes véhicule à partir de données hétérogènes
Croissance
Assurer la fiabilité de la flotte via la surveillance continue et l'auto-diagnostic des véhicules