AI Researcher

À propos de Forgis Forgis AG est une startup Deep-Tech basée à Schlieren (ZH), affiliée à l'ETH AI Center. Nous développons un Industrial World Model - le « cerveau de l'usine moderne » : une plateforme qui connecte les machines, les contrôleurs (PLCs) et les robots de manière multi-fabricants. Financé par un Pre-Seed mené par redalpine. Actuellement 5 publications acceptées à l'ICML 2026 (incl. Spotlight). Votre rôle En tant qu'AI Researcher, vous êtes responsable de notre agenda de recherche autour des self-supervised representation models et des World Models pour les systèmes industriels. Vous menez une recherche fondamentale et ambitieuse – des physically grounded architectures jusqu'aux nouveaux paradigmes en Representation Learning, en étroite collaboration avec l'ETH, Oxford et l'Imperial College. Domaines de tâches • Vous recherchez des self-supervised et des Representation Models de type JEPA (famille HEPA) pour les séries temporelles industrielles et les données de capteurs multimodales • Vous développez des physically grounded inductive biases, du causal grounding, de la long-horizon stability, de la conservation of information, comme alternative aux approches purement génératives ou basées sur les VLA • Vous développez des modèles pour l'anomaly detection et la predictive maintenance à travers les machines et les fabricants et les faites progresser systématiquement vers des World Models • Vous transformez des modèles individuels fragmentés en un machine-agnostic foundation model (edge encoders → modèle serveur central) • Vous assurez une inférence efficace on edge et faites passer nos Pretraining Pipelines à l'échelle sur le corpus industriel • Vous publiez dans des conférences de premier plan et construisez notre réputation scientifique Exigences • Doctorat en ML, CS, Robotique ou Physique • Track record prouvé en Self-supervised Learning, Representation Learning, Anomaly Detection ou Timeseries Modeling ; un intérêt pour les World Models est un avantage • Maîtrise de PyTorch et du Large-scale Training • Un atout : fast ML inference (FPGA/hls4ml), algorithmes de compression de données et Edge Deployment • Méthode de travail autonome et hands-on dans un environnement de startup ; très bonnes connaissances de l'anglais (langue de travail)