The Company

Humanitas is a young, award-winning innovator startup based in Montreal, specializing in emergency response and resilient technologies. Working with a list of world-class industry leaders and researchers, our team specializes in advanced telecom, simulation, visualization, cybersecurity, swarming robotics, edge computing, and more. Our multidisciplinary team also endeavors to universalize our technology and expand their applications to routine use cases beyond edge scenarios.

We are an ambitious group of young people who aim to contribute to a little change in the world by creating IT solutions that help people globally, especially when they need it most. Compassion is at the core of our business, and our collaboration is driven by our desire to challenge our limits and explore our potential.

AI & Machine Learning Specialist – Telecom and Radar Systems

Full job description : The Role: AI & Machine Learning Specialist – Telecom and Radar Systems

We are seeking an AI & Machine Learning Specialist with a telecommunications background and deep expertise in designing and integrating advanced simulation-driven AI ecosystems for training, testing, continuous learning, and deployment of telecom and radar systems in complex, real-world environments.

This role is essential to the development of our comprehensive simulation pipeline — a platform enabling large-scale, synthetic data generation, real-time system testing, continuous model feedback, and automated deployment of decision-making systems in telecom and radar contexts. This role also includes responsibility for ensuring virtual radar implementation and synthetic data generation to train AI models.

Key Responsibilities

- AI Architecture for Telecom & Radar

• Lead the design of a modular, scalable simulation-driven AI platform that supports telecom and radar use cases (private 5G, radar detection, jamming / anti-jamming, spectrum monitoring).
• Architect interoperability between simulation outputs and machine learning, analytics, or real-time feedback pipelines.
• Define data standards, simulator APIs, and interfaces for integrating RF captures, network KPIs, radar outputs, labels, and simulation data into unified training and inference workflows.
• Design, develop, and deploy ML/deep-learning models to process radar (or RF signal) data for tasks such as detection, classification, tracking, clutter-noise suppression, target recognition (automatic target recognition, ATR), spectral analysis, interference detection, etc.
• Build and maintain end-to-end ML pipelines: data ingestion, preprocessing (signal conditioning, feature extraction), training, validation, deployment, inference (batch or real-time), serving, and monitoring of models.
• Work on digital signal processing (DSP) and ML integration: combine classical signal processing (e.g., spectral analysis, beamforming, Fourier/wavelet transforms, filtering) with ML/deep-learning techniques, especially for radar, sonar, RF, or embedded sensor data.
• Optimize ML signal-processing models for resource-constrained or embedded real-time systems (e.g., edge hardware, real-time inference, efficient code in C++/Python, possibly GPU/CUDA or SIMD).
• Oversee end-to-end pipelines from synthetic data generation through data cleaning, normalization, storage, and integration with downstream processing (model training, AdaBoost, Random Forest, XGBoost, Naïve Bayes, support vector machines, etc.).

*

• Document technical design, model performance, experimental results; present findings; support integration, testing, and validation of radar/ML systems.- Deployment & Infrastructure
• Collaborate with DevOps and MLOps teams to deploy AI inference services across cloud, edge, and on-premise environments (including SDR-based labs and shipborne or remote platforms).
• Ensure AI services environments are containerized, repeatable, and version-controlled.
• Support deployment-ready packages for simulations used in testing perception systems, conversational agents, or autonomous robotics.
• Design and optimize high-performance clusters and testbeds combining GPU/FPGA servers, SDR nodes, and edge compute devices, tuned for telecom and radar workloads (inference, data streaming, real-time adaptation).

- Benchmarking & Evaluation

• Establish validation metrics and test harnesses for evaluating system performance under simulated and real-world telecom and radar scenarios, including jamming / anti-jamming, varying propagation conditions, and heterogeneous traffic profiles.
• Implement benchmarking standards for classification, detection, localization, and predictive maintenance models, as well as for generative AI / SLM components used in decision support.
• Integrate AI evaluation into broader system-level tests, including digital twins, hardware-in-the-loop setups, and field trials.

- Cross-Team Integration

• Work closely with ML researchers, telecom and radar engineers, data scientists, and embedded developers to ensure AI models meet operational and hardware constraints.
• Provide technical mentorshipon AI, generative models, and MLOps best practices, and participate in architectural reviews for AI-enabled telecom / radar systems.

Ideal Candidate Profile

Education:

• Master’s degree required, PhD preferred, in Electrical or Telecommunications Engineering, Computer Science, Computer Engineering, Applied Mathematics, or a related field, with a strong focus on artificial intelligence, machine learning, signal processing, wireless communications, or radar.

Experience:

• 3–5+ years designing and implementing applied AI / machine learning solutions in domains such as wireless communications (4G/5G, private networks), radar systems (FMCW, target detection / classification), or predictive maintenance / digital twins.
• Experience working with simulation-driven workflows (e.g., channel / ray-tracing simulations, radar scene simulation, synthetic data generation) to train and validate AI models before deployment.
• Proven ability to integrate AI models into real-world telecom and radar systems, including data collection, feature extraction, model training, evaluation, and online inference.
• Hands-on experience with DevOps / MLOps practices for AI (experiment tracking, model versioning, CI/CD for models, monitoring and retraining).

Technical Skills:

• Proficiency in Python and modern ML / DL frameworks (e.g. PyTorch, TensorFlow, scikit-learn) and data tooling (NumPy, Pandas).
• Strong understanding of machine learning and deep learning (classification, regression, anomaly detection, sequence / time-series modelling).
• Solid foundations in digital communications and / or radar signal processing (e.g. OFDM, MIMO, channel models, range–Doppler processing, CFAR, spectrum sensing).

*

• Familiarity with jamming / anti-jamming concepts, RF interference, and spectrum-awareness is a strong asset.
• Experience working with GPU-accelerated platforms and, ideally, SDR-based testbeds; exposure to FPGA-based or edge deployments is a plus.
• Comfortable in a Linux environment, with Git, containerization tools (Docker, Kubernetes) and standard software engineering practices.

Bonus:

• Experience with generative AI (LLMs, and ideally Small Language Models – SLMs) for decision support, summarization, or tooling around telecom / radar workflows.
• Background in spectrum monitoring, electronic warfare, or security (e.g. signal classification, intrusion detection, anomaly detection in RF or network data).
• Prior work on digital twins and predictive maintenance for complex platforms (maritime, industrial, aerospace).

Attributes:

• Visionary with practical engineering sensibilities
• Autonomous, resourceful, and iterative in approach
• Communicates clearly across disciplines
• Passionate about building robust, trustworthy AI systems for safety-critical and mission-critical environments.

==============================================
==============================================

Architecte Principal·e en Systèmes de Simulation Spécialiste IA & Apprentissage automatique – Télécommunications et systèmes radar

L'entreprise

Humanitas est une jeune startup innovante et primée basée à Montréal, spécialisée dans les technologies de réponse d’urgence et de résilience. En collaboration avec des leaders industriels et des chercheurs de renommée mondiale, notre équipe se spécialise en télécommunications avancées, simulation, visualisation, cybersécurité, robotique en essaim, edge computing, et bien plus encore. Notre équipe multidisciplinaire s’efforce également de rendre nos technologies universelles en élargissant leur application à des cas d’usage de routine au-delà des scénarios extrêmes.

Nous sommes un groupe ambitieux de jeunes professionnel·le·s qui souhaitent contribuer à un changement, même modeste, dans le monde en créant des solutions informatiques pour aider les gens, partout sur la planète, surtout lorsqu’ils en ont le plus besoin. La compassion est au cœur de notre mission, et notre collaboration est animée par le désir de repousser nos limites et d’explorer notre plein potentiel.

Poste : Spécialiste IA & Apprentissage automatique – Télécommunications et systèmes radar

Nous recherchons un·e Spécialiste en IA et apprentissage automatique, avec un solide bagage en télécommunications, et une expertise approfondie dans la conception et l’intégration d’écosystèmes d’IA pilotés par la simulation pour l’entraînement, les tests, l’apprentissage continu et le déploiement de systèmes radar dans des environnements complexes et réels.

Ce rôle est essentiel au développement de notre pipeline de simulation complet — une plateforme permettant la génération de données synthétiques à grande échelle, les tests systèmes en temps réel, le retour continu sur les modèles et le déploiement automatisé de systèmes d’aide à la décision dans des contextes télécom et radar. Ce rôle inclut également la responsabilité de l’implémentation radar virtuelle et de la génération de données synthétiques pour l’entraînement des modèles d’IA.

Responsabilités clés

- Architecture IA pour les télécoms et le radar

• Piloter la conception d’une plateforme d’IA modulaire et évolutive, pilotée par la simulation, supportant des cas d’usage télécom et radar (5G privée, détection radar, brouillage / anti-brouillage, surveillance du spectre, etc.).
• Concevoir l’interopérabilité entre les sorties de simulation et les pipelines de machine learning, d’analyse ou de rétroaction en temps réel.
• Définir les standards de données, les API des simulateurs et les interfaces pour intégrer les captures RF, KPI réseaux, sorties radar, étiquettes (labels) et données de simulation dans des workflows unifiés d’entraînement et d’inférence.
• Concevoir, développer et déployer des modèles de ML / deep learning pour traiter des données radar (ou des signaux RF) pour des tâches telles que la détection, la classification, le suivi, la suppression du bruit / clutter, la reconnaissance de cibles (Automatic Target Recognition – ATR), l’analyse spectrale, la détection d’interférences, etc.
• Construire et maintenir des pipelines de ML de bout en bout : ingestion de données, prétraitement (mise en condition du signal, extraction de caractéristiques), entraînement, validation, déploiement, inférence (batch ou temps réel), mise en production et suivi des modèles.
• Travailler à l’interface entre traitement numérique du signal (DSP) et ML : combiner les techniques classiques de traitement du signal (p. ex. analyse spectrale, beamforming, transformées de Fourier / ondelettes, filtrage) avec des approches de ML / deep learning, en particulier pour les données radar, sonar, RF ou issues de capteurs embarqués.
• Optimiser les modèles de traitement de signal basés sur le ML pour des systèmes temps réel embarqués ou contraints en ressources : matériel edge, inférence temps réel, code efficace en C++ / Python, éventuellement GPU / CUDA ou SIMD, etc.
• Superviser les pipelines de bout en bout : de la génération de données synthétiques au nettoyage, à la normalisation, au stockage et à l'intégration dans les traitements en aval (entraînement de modèles, AdaBoost, Random Forest, XGBoost, Naïve Bayes, SVM, etc.).
• Documenter les conceptions techniques, les performances des modèles, les résultats expérimentaux ; présenter les conclusions ; soutenir l’intégration, les tests et la validation des systèmes radar / ML.

- Déploiement & Infrastructure

• Collaborer avec les équipes DevOps et MLOps pour le déploiement des services d’inférence IA sur le cloud, en périphérie (edge) et sur site (on-premises), y compris dans des laboratoires basés sur SDR et sur des plateformes embarquées (navires, sites distants, etc.).

*

• Garantir que les environnements de services IA soient conteneurisés, reproductibles et gérés par version.
• Préparer des packages prêts au déploiement pour les simulations utilisées dans les tests de systèmes de perception, d’agents conversationnels ou de robots autonomes.
• Concevoir et optimiser des grappes (clusters) et bancs d’essai haute performance combinant serveurs GPU / FPGA, nœuds SDR et équipements de calcul en périphérie, adaptés aux charges de travail télécom et radar (inférence, flux de données, adaptation en temps réel).- Évaluation & Benchmarking
• Établir des métriques de validation et des bancs d’essai pour évaluer la performance du système dans des scénarios télécom et radar simulés et réels, incluant brouillage / anti-brouillage, conditions de propagation variables et profils de trafic hétérogènes.
• Implémenter des standards de benchmarking pour les modèles de classification, détection, localisation et maintenance prédictive, ainsi que pour les composants d’IA générative / SLM utilisés pour l’aide à la décision.
• Intégrer l’évaluation des modèles d’IA dans des tests système plus larges : jumeaux numériques, boucles matériel-dans-la-boucle (HIL), et essais sur le terrain.

- Intégration Inter-Équipes

• Collaborer étroitement avec les chercheurs ML, les ingénieurs télécom et radar, data scientists et développeurs embarqués afin de garantir que les modèles d’IA respectent les contraintes opérationnelles et matérielles.
• Assurer un mentorat technique sur l’IA, les modèles génératifs et les bonnes pratiques MLOps, et participer aux revues d’architecture pour les systèmes télécom / radar augmentés par l’IA.

Profil Idéal

Formation

• Diplôme de maîtrise requis, doctorat (PhD) souhaité en génie électrique / télécommunications, informatique, génie informatique, mathématiques appliquées ou domaine connexe, avec une forte spécialisation en intelligence artificielle, apprentissage automatique, traitement du signal, communications sans fil ou radar.

Expérience

• 3 à 5+ ans d’expérience dans la conception et la mise en œuvre de solutions d’IA / apprentissage automatique appliquées dans des domaines tels que les communications sans fil (4G/5G, réseaux privés), les systèmes radar (FMCW, détection / classification de cibles) ou la maintenance prédictive / jumeaux numériques.
• Expérience avec des flux de travail pilotés par la simulation (p. ex. simulations de canal / de ray tracing, simulation de scènes radar, génération de données synthétiques) pour entraîner et valider des modèles d’IA avant déploiement.
• Capacité démontrée à intégrer des modèles d’IA dans des systèmes télécom et radar réels, incluant collecte de données, extraction de caractéristiques, entraînement, évaluation et inférence en ligne.
• Expérience pratique des approches DevOps / MLOps appliquées à l’IA (suivi d’expériences, gestion de versions de modèles, CI/CD pour modèles, surveillance et réentraînement).
• Compétences techniques

*

• Excellente maîtrise de Python et des frameworks modernes de ML / deep learning (p. ex. PyTorch, TensorFlow, scikit-learn) ainsi que des outils de données (NumPy, Pandas).
• Solide compréhension des techniques de machine learning et de deep learning (classification, régression, détection d’anomalies, modélisation de séquences / séries temporelles).
• Bases solides en communications numériques et / ou en traitement de signal radar (p. ex. OFDM, MIMO, modèles de canal, traitement range–Doppler, CFAR, détection de spectre).
• Familiarité avec les concepts de brouillage / anti-brouillage, d’interférences RF et de conscience spectrale (spectrum awareness) constituant un atout important.
• Expérience avec des plateformes accélérées par GPU et idéalement avec des bancs de test basés sur SDR ; une exposition aux déploiements sur FPGA ou sur plateformes edge est un plus.
• À l’aise dans un environnement Linux, avec Git, des outils de conteneurisation (Docker, Kubernetes) et les bonnes pratiques standard d’ingénierie logicielle.

Atouts

• Expérience avec l’IA générative (LLM et idéalement Small Language Models – SLM) pour l’aide à la décision, la synthèse d’information ou le développement d’outils autour des flux de travail télécom / radar.
• Expérience en surveillance du spectre, guerre électronique ou cybersécurité (p. ex. classification de signaux, détection d’intrusion, détection d’anomalies dans des données RF ou réseau).
• Expérience préalable sur des jumeaux numériques et la maintenance prédictive pour des plateformes complexes (maritimes, industrielles, aérospatiales).

Qualités personnelles

• Visionnaire avec un esprit d’ingénierie pragmatique
• Autonome, débrouillard·e et itératif·ve dans l’approche
• Excellente communication interdisciplinaire

Job Types: Full-time, Permanent

Pay: $55,000.00-$110,000.00 per year

Benefits:

• Company events
• Dental care
• Discounted or free food
• Extended health care
• Flexible schedule
• Language training provided
• On-site parking
• Vision care

Ability to commute/relocate:

• Montréal, QC: reliably commute or plan to relocate before starting work (required)

Education:

• Doctoral Degree (required)

Experience:

• Simulation or AI: 5 years (required)

Location:

• Montréal, QC (required)

Work Location: Hybrid remote in Montréal, QC

Job Types: Full-time, Permanent

Pay: $55,000.00-$110,000.00 per year

Benefits:

• Company events
• Dental care
• Discounted or free food
• Extended health care
• Flexible schedule
• Language training provided
• On-site parking
• Vision care

Education:

• Master's Degree (required)

Experience:

• Telecommunication: 5 years (required)

Work Location: Hybrid remote in Montréal, QC H2W 1Z4