Machine Learning Scientist (AI-based Weather Forecasting) — ETH Zürich

Description complète

chevron left Übersicht chevron left Übersicht Machine Learning Scientist (AI-based Weather Forecasting) 100%, Locarno, tirage à terme fixe Drucken Des progrès récents dans la prévision météorologique basée sur l'IA ont démontré une compétence remarquable et une efficacité de calcul. Toutefois, la plupart des systèmes actuels de prévision météorologique par apprentissage automatique (MPL) reposent principalement sur des analyses de PMN pour l'initialisation et n'exploitent que partiellement la richesse des observations satellitaires disponibles. Avec l'avènement de la troisième génération de Meteosat (MTG), de nouvelles mesures à haute fréquence et haute résolution des nuages, de l'humidité, de la température et de la foudre offrent des possibilités sans précédent d'améliorer sensiblement les prévisions régionales. Contexte du projet Dans le cadre d'une bourse de recherche soutenue par EUMETSAT, nous procédons à l'intégration des observations géostationnaires par satellite dans un système régional de MLWP de prochaine génération. Le projet s'appuie sur un modèle régional de prévision basé sur des graphes, développé à MeteoSwiss et intégré dans le cadre Anemoi initié par l'ECMWF. L'objectif est de développer et d'évaluer de nouvelles architectures multi-encodeurs-décodeurs capables d'ingérer divers flux de données satellitaires (par exemple des rayons, des produits en nuage, des observations par foudre, des sondes hyperspectrales) et de les intégrer dans des cycles de prévision à haute fréquence avec des délais allant de courte portée à 10 jours d'avance. Les travaux seront menés en étroite collaboration avec les partenaires nationaux et internationaux et contribueront directement à l'exploitation opérationnelle future des données MTG. Description du poste Nous cherchons un programmeur scientifique / développeur de logiciels pour rejoindre notre équipe motivée et interdisciplinaire. Dans ce rôle, vous allez :

• développer et mettre en œuvre des architectures de modèles d'apprentissage automatique permettant l'ingestion directe de données satellitaires de prochaine génération (p. ex. MTG FCI, LI, IRS) dans des modèles de prévision régionaux de pointe à Anemoi
• contribuer à l'évolution d'un cadre multi-encodeurs-décodeurs MLWP au sein de l'écosystème Anemoi
• former, perfectionner et évaluer des modèles utilisant des ensembles de données météorologiques et satellitaires à grande échelle
• quantifier l'impact des données satellitaires sur les compétences en prévision à travers les variables et les temps d'exécution
• collaborer étroitement avec les scientifiques, les chercheurs ML et les équipes de prévision opérationnelles pour s'assurer que les résultats des prévisions répondent aux besoins des différents utilisateurs
• diffuser les résultats au moyen de publications scientifiques, de conférences et d'échanges avec EUMETSAT et les institutions partenaires Nous apprécions les gens qui aiment résoudre des problèmes complexes, collaborer entre disciplines et contribuer à différentes étapes du flux de travail à mesure que le système arrive à maturité. Il s'agit d'un contrat à durée déterminée d'un an, avec possibilité de prolongation d'un maximum de deux ans. Le lieu de travail principal est situé à MeteoSwiss Locarno-Monti avec des visites régulières à Zürich. Le montant de la rémunération sera conforme au système de rémunération de l'ETH Zürich. Profil Nous accueillons les candidatures de candidats d'horizons divers qui répondent le plus (pas nécessairement tous) aux critères suivants:
• doctorat en informatique, data science, sciences naturelles (p. ex. physique, météorologie) ou un domaine connexe.
• Expérience de travail avec les données satellitaires (observations géostationnaires, radiances, produits de récupération)
• Fortes compétences en programmation en Python
• Expérience en apprentissage automatique, incluant idéalement des architectures d'apprentissage profond telles que les réseaux neuronaux de graphes, les transformateurs ou les modèles spatio-temporels
• Expérience avec des environnements informatiques haute performance ou distribués
• Bonne compréhension des processus météorologiques et de la prévision numérique du temps
• Intérêt pour les pratiques DevOps et l'ingénierie logicielle durable
• Capacité de travailler de façon indépendante sur des questions de recherche tout en contribuant à un environnement d'équipe collaborative
• Motivation de travailler dans un environnement diversifié, interdisciplinaire et