【公司名称】 中央研究院资讯科学研究所 吴真贞老师实验室
【工作职缺】 博士后研究 一名
【工作内容】
1. [大规模机器/深度学习之分布式计算平台及应用]
在巨量资料的时代，机器学习与资料探勘在计算上已经遭遇到
扩展性(scalability)的问题。首先，为了模型的准确性，
我们必须采用大量的训练资料，这些训练的资料量可以达到Petabyte以上的等级，
如此大量的资料无法在单一机器上处理。其次，许多复杂的预测模型，
其参数数量可能高达数个billion以上，如此巨大的计算量也很难在单一机器上实行。
为了解决这些问题，我们将设计一个专门针对大规模机器学习算法的分布式平台。
我们将针对机器学习算法可容错的特性，设计可以动态调整的处理器同步机制。
另外我们也将针对模型参数做关联性与收敛速度的分析，
来平衡处理器间的工作量与最大化平行度。
同时，我们也研究不同的压缩技巧，来降低分布式训练所需要的网络传输。
2. [主从式架构的分布式深度学习]
手机与穿戴式装置已成为人们日常生活中不可或缺的一部分。
为了在这些装置上获得更好的使用者体验，发开者会利用使用者的资料，
在这些装置上训练深度学习模型或预测使用者的行为。
然而，因为装置上的资源限制(内存，电源)，使得这种训练/预测变得十分困难。
本计画的目的，在设计一个主从式的架构(master-client)，
在保护使用者资料的前提之下，将需要大量计算且耗能的深度学习/预测，
从行动端(client)搬移至云端(master)来进行训练/预测。
本计画将从三个方向去探讨如何设计一个有效率的主从式分布式学习架构。
第一，如何减少行动端与云端之间的因为训练/预测所造成网络流量。
第二，如何在不牺牲预测准确度的前提下，有效地减少深度学习网络的参数数量。
第三，如何最佳化行动装置上模型训练/预测的计算效能。
3. [针对嵌入式系统的深度学习]
由于深度学习应用已广泛地布署到各式的嵌入式装置中，
如何最佳化这些应用在装置上的效能，变成一个十分重要而且迫切的问题。
本计画将从三个方面探讨如何设计一个高效能、且低能耗的嵌入式深度学习系统。
首先，由于深度学习需要频繁且大量地存取内存，因此，
如何设计一个有效率的内存管理方法将决定训练的效能。
第二，如何利用嵌入式装置上的加速器，如GPU、FPGA等，来提升计算效能。
主要议题包含了资料如何有效率地在不同装置间移动，以及计算的分配和排程等。
第三，如何有效地减少模型的参数数量，
使得模型在嵌入式系统上训练以及预测所需内存及能源可以降低。
以上计画将以Tensorflow、Caffe
以及本实验室开发之分布式深度学习平台及嵌入式系统为主要研究及开发环境。
适合拟专心研究，未来从事学术工作者
或是想提升研发经验和能力以便未来应征优质工作职位者。
【征求条件】
- 具备资讯、资工科系之博士学位
优先考虑：
- 具备程式设计 (C/C++/Java) 与问题解决能力
- 擅长算法设计或数理统计方法, 或具有良好系统、软件开发经验
- 具平行或分布式系统开发经验
- 具Tensorflow/Caffe/OpenCL 系统或应用开发经验
- 具资料分析经验
【工作地点】
台北市南港区中央研究院资讯科学研究所
【工作时间】
周一至周五, 一天八小时(弹性上下班时间)
【月休】
周休二日
【公司福利】
中研院设施使用, 院内消费折扣, 年终奖金, 年休假, 员工旅游
【薪资范围】
六万起，工作年资另计
【需求人数】
一名
【联络人/连络方式】
1. 请以email方式寄送个人详细履历(相关研究、计划及工作经验)、
成绩单(大学及以上)。
2. 发表过之论文影本、简传、学历证书影本，及任何有助审查资料
3. 所有档案请以pdf档案格式寄送。
4. 通过初审者会另行通知，于中研院资讯科学研究所进行面试。
吴真贞老师 [email protected] 02-27883799 ext. 1610