Angewandter ML-Ingenieur

Diese Position wird im Namen eines Partnerunternehmens ausgeschrieben, das alle Bewerbungen und nächsten Schritte verwaltet. Unser Partner sucht einen Applied ML Engineer mit Sitz in der Schweiz.

Als Ingenieur für angewandtes ML arbeiten Sie an der Schnittstelle zwischen maschineller Lernforschung, Experimenten und Produktionstechnik.
Sie verwandeln Ideen aus Forschungsarbeiten in gründliche Experimente, messbare Beweise und zuverlässige Produkte.
Die Rolle umfasst Modellevaluierung, Modellinterna, Inferenzinfrastruktur, Backend-Systeme und benutzerorientierte Produkterlebnisse.
Sie arbeiten praktisch mit modernen ML-Modellen und entwerfen Auswertungen, die zeigen, was Methoden demonstrieren können – und was nicht.
Sie erstellen außerdem produktionstaugliche Werkzeuge, die komplexe Experimente wiederholbar, beobachtbar und für Benutzer zugänglich machen.
Das Umfeld schätzt technisches Urteilsvermögen, Eigenverantwortung, wissenschaftliche Genauigkeit und die Fähigkeit, sich bequem im Technologie-Stack zu bewegen.
Es ist eine Gelegenheit, dabei zu helfen, neue ML-Techniken in praktische Systeme umzuwandeln, denen die Menschen vertrauen können.

Verantwortlichkeiten

• Reproduzieren und bewerten Sie Forschungsmethoden des maschinellen Lernens mithilfe von Open-Weight- und API-zugänglichen Modellen.

• Entwerfen Sie Bewertungsdatensätze, Sonden, Bewertungsansätze, Basislinien, Kalibrierungstests und Experimentiersysteme.

• Arbeiten Sie bei Bedarf direkt mit Modellgewichtungen, Protokollen, verborgenen Zuständen, Aktivierungen, Modell-APIs und Inferenzinfrastruktur.

• Aufbau und Erweiterung einer Evaluierungsinfrastruktur, die Experimentleiter, Juroren, Persistenz, Orchestrierung, Berichterstattung und Reproduzierbarkeit umfasst.

• Verwandeln Sie Forschungsworkflows in intuitive Produkterlebnisse, einschließlich Experimentkonfiguration, -ausführung, Ablaufverfolgungen, Vergleiche, Berichte und Überprüfungsworkflows.

• Untersuchen Sie, wie sich Verifizierungsmethoden verhalten, wenn Modelle durch Feinabstimmung, Zusammenführung, Quantisierung, Destillation, Sicherheitsentfernung oder absichtliche Umgehung geändert werden.

• Entwerfen Sie kontrollierte Experimente, die aussagekräftige Signale von Artefakten, Störfaktoren und irreführenden Korrelationen unterscheiden.

• Erstellen Sie klare technische Berichte, die gemessene Beweise von Interpretationen und Hypothesen trennen.

• Bereitstellung von Systemen in Produktionsqualität mit APIs, asynchronen Jobs, Datenbanken, Beobachtbarkeit, Tests, Bereitstellung und Dokumentation.

• Tragen Sie in den Bereichen Forschung, Experimente, Technik und Produkt bei, während sich die Prioritäten ändern.

• Reproduzieren und dokumentieren Sie während der ersten sechs Monate mindestens eine veröffentlichte Modellherkunfts- oder Verifizierungsmethode, einschließlich ihrer Fähigkeiten, Annahmen und Einschränkungen.

• Erstellen Sie einen wiederholbaren Modellverifizierungsläufer mit versionierten Eingaben, Artefakten, Metriken und Berichten und machen Sie mindestens einen Verifizierungsworkflow über die Produktschnittstelle zugänglich.

• Führen Sie kontrollierte Experimente mit grundlegenden, fein abgestimmten, zusammengeführten, quantisierten und bekannten destillierten Modellen durch und verbessern Sie so das Verständnis dafür, wann Verifizierungsmethoden erfolgreich sind, scheitern und warum.

Anforderungen:

• Starke Python-Ingenieurkenntnisse mit praktischer Erfahrung mit PyTorch und Hugging Face Transformers.

• Solides Verständnis der Auswertung maschinellen Lernens, einschließlich Datensatzdesign, Basislinien, Metriken, Kalibrierung, falsch positiver und negativer Ergebnisse, statistischer Unsicherheit und Reproduzierbarkeit.

• Fähigkeit, ML-Forschungsarbeiten kritisch zu lesen und Methoden von Grund auf zu implementieren, anstatt sich ausschließlich auf bestehende Pakete zu verlassen.

• Professionelle Software-Engineering-Erfahrung, die über Notebooks hinausgeht, einschließlich APIs, asynchrone Jobs, Datenbanken, Protokollierung, Tests, Bereitstellung und Dokumentation.

• Vertrautheit mit Open-Weight-Modellen und ein praktisches Verständnis der Funktionsweise moderner LLM-Inferenzsysteme.

• Fähigkeit, über Backend- und Frontend-Grenzen hinweg zu arbeiten, mit ausreichenden React/TypeScript-Kenntnissen, um komplexe Experimente und Ergebnisse für Benutzer verständlich zu machen.

• Ausgeprägtes experimentelles und analytisches Urteilsvermögen, insbesondere bei der Unterscheidung zwischen Beweisen und bloßen Anhaltspunkten.

• Hohe Eigenverantwortung und Initiative sowie die Fähigkeit, Probleme zu erkennen, Lösungen vorzuschlagen und Projekte selbstständig voranzutreiben.

• Komfort beim Arbeiten in einer schnelllebigen Startup-Umgebung, in der sich Prioritäten schnell ändern können und Ingenieure möglicherweise in mehreren Funktionen tätig sind.

• Erfahrung mit Modellherkunft, Fingerabdrücken, Wasserzeichen, Destillationserkennung, Red-Teaming, Sicherheitsbewertung, Interpretierbarkeit oder verwandten Bereichen ist von Vorteil.

• Erfahrung mit Aktivierungs- und Darstellungsanalyse, Sondierung, Modell-Hooks, Logits, versteckten Zuständen oder anderen modellinternen Techniken ist von Vorteil.

• Vertrautheit mit Evaluierungs- und Inferenzinfrastrukturen wie DSPy, LiteLLM, Temporal, Ray, vLLM, PostgreSQL/pgvector oder vergleichbaren Technologien ist von Vorteil.

• Erfahrung mit Next.js, React, TypeScript, Datenvisualisierung oder Experiment-Dashboards ist von Vorteil.

• Erfahrung mit dem Ausführen und Bereitstellen von Open-Weight-Modellen auf GPUs, einschließlich Überlegungen zu Latenz, Durchsatz, Speicher, Präzision und Kostenkompromissen, ist wertvoll.

• Erfahrung im Entwerfen kontradiktorischer Bewertungen oder beim Testen von Systemen gegen vorsätzliche Versuche, der Entdeckung zu entgehen, ist von Vorteil.

• Ein starkes Engagement für die Erstellung von Code, Tests, Werkzeugen und Dokumentation in Produktionsqualität, die andere Ingenieure sicher bedienen und erweitern können.

Vorteile:

• Möglichkeit, an angewandtem maschinellen Lernen an der Schnittstelle von Forschung, Experiment, Technik und Produkt zu arbeiten.

• Durchgängige Verantwortung für Modellbewertung, Modellinterna, Infrastruktur, Backend-Systeme und Benutzererlebnisse.

• Umgang mit modernen Open-Weight-Modellen, LLM-Inferenzsystemen und neuen ML-Verifizierungstechniken.

• Eine Rolle mit erheblicher technischer Autonomie und der Möglichkeit, sowohl Experimente als auch Produktionssysteme zu gestalten.

• Schnelllebiges Startup-Umfeld mit sich entwickelnden Prioritäten und funktionsübergreifender Zusammenarbeit.…

Quelle: Arbeitnow (https://www.arbeitnow.ch/jobs/companies/jobgether/applied-ml-engineer-switzerland-194961)