Εφαρμοσμένος Μηχανικός ML

Αυτή η θέση είναι καταχωρημένη για λογαριασμό συνεργαζόμενης εταιρείας, η οποία διαχειρίζεται όλες τις αιτήσεις και τα επόμενα βήματα. Ο συνεργάτης μας αναζητά Μηχανικό Εφαρμοσμένης ML με έδρα την Ελβετία.

Ως Μηχανικός Εφαρμοσμένης ML, θα εργαστείτε στη διασταύρωση της έρευνας μηχανικής μάθησης, του πειραματισμού και της μηχανικής παραγωγής.
Θα μετατρέψετε ιδέες από ερευνητικές εργασίες σε αυστηρά πειράματα, μετρήσιμα στοιχεία και αξιόπιστα προϊόντα.
Ο ρόλος καλύπτει την αξιολόγηση μοντέλων, τα εσωτερικά μοντέλα, την υποδομή συμπερασμάτων, τα συστήματα υποστήριξης και τις εμπειρίες προϊόντων που αντιμετωπίζουν οι χρήστες.
Θα εργαστείτε πρακτικά με σύγχρονα μοντέλα ML, σχεδιάζοντας αξιολογήσεις που αποκαλύπτουν τι μπορούν - και τι όχι - να επιδείξουν οι μέθοδοι.
Θα δημιουργήσετε επίσης εργαλεία ποιότητας παραγωγής που καθιστούν τα σύνθετα πειράματα επαναλαμβανόμενα, παρατηρήσιμα και προσβάσιμα στους χρήστες.
Το περιβάλλον εκτιμά την τεχνική κρίση, την ιδιοκτησία, την επιστημονική αυστηρότητα και την ικανότητα να κινείσαι άνετα στη στοίβα τεχνολογίας.
Είναι μια ευκαιρία να βοηθήσετε στη μετατροπή των αναδυόμενων τεχνικών ML σε πρακτικά συστήματα που μπορούν να εμπιστευτούν οι άνθρωποι.

Ευθύνες

• Αναπαραγωγή και αξιολόγηση μεθόδων έρευνας μηχανικής μάθησης χρησιμοποιώντας μοντέλα ανοιχτού βάρους και προσβάσιμα από API.

• Σχεδιάστε σύνολα δεδομένων αξιολόγησης, ανιχνευτές, προσεγγίσεις βαθμολόγησης, γραμμές βάσης, δοκιμές βαθμονόμησης και δέσμες πειραμάτων.

• Εργαστείτε απευθείας με βάρη μοντέλων, logits, κρυφές καταστάσεις, ενεργοποιήσεις, API μοντέλων και υποδομές συμπερασμάτων όταν απαιτείται.

• Δημιουργία και επέκταση της υποδομής αξιολόγησης που καλύπτει τους δρομείς πειραμάτων, τους κριτές, την επιμονή, την ενορχήστρωση, την αναφορά και την αναπαραγωγιμότητα.

• Μετατρέψτε τις ερευνητικές ροές εργασιών σε διαισθητικές εμπειρίες προϊόντων, συμπεριλαμβανομένης της διαμόρφωσης πειράματος, της εκτέλεσης, των ιχνών, των συγκρίσεων, των αναφορών και των ροών εργασιών αναθεώρησης.

• Διερευνήστε πώς συμπεριφέρονται οι μέθοδοι επαλήθευσης όταν τα μοντέλα τροποποιούνται μέσω μικρορύθμισης, συγχώνευσης, κβαντοποίησης, απόσταξης, αφαίρεσης ασφαλείας ή εσκεμμένης φοροδιαφυγής.

• Σχεδιάστε ελεγχόμενα πειράματα που διακρίνουν σημαντικά σήματα από τεχνουργήματα, συγχυτές και παραπλανητικούς συσχετισμούς.

• Δημιουργήστε σαφείς τεχνικές εκθέσεις που διαχωρίζουν τα μετρημένα στοιχεία από την ερμηνεία και τις υποθέσεις.

• Παροχή συστημάτων ποιότητας παραγωγής με API, ασύγχρονες εργασίες, βάσεις δεδομένων, παρατηρησιμότητα, δοκιμές, ανάπτυξη και τεκμηρίωση.

• Συνεισφέρετε στην έρευνα, τον πειραματισμό, τη μηχανική και το προϊόν καθώς οι προτεραιότητες εξελίσσονται.

• Κατά τη διάρκεια των πρώτων έξι μηνών, αναπαράγετε και τεκμηριώστε τουλάχιστον ένα δημοσιευμένο μοντέλο προέλευσης ή μέθοδο επαλήθευσης, συμπεριλαμβανομένων των δυνατοτήτων, των υποθέσεων και των περιορισμών του.

• Δημιουργήστε ένα επαναλαμβανόμενο πρόγραμμα εκτέλεσης επαλήθευσης μοντέλου με εισόδους, τεχνουργήματα, μετρήσεις και αναφορές τροποποιημένης έκδοσης και κάντε τουλάχιστον μία ροή εργασιών επαλήθευσης προσβάσιμη μέσω της διεπαφής προϊόντος.

• Εκτελέστε ελεγχόμενα πειράματα σε βασικά, τελειοποιημένα, συγχωνευμένα, κβαντοποιημένα και γνωστά αποσταγμένα μοντέλα, βελτιώνοντας την κατανόηση του πότε οι μέθοδοι επαλήθευσης είναι επιτυχημένες, αποτυγχάνουν και γιατί.

Απαιτήσεις:

• Ισχυρές δεξιότητες μηχανικής Python, με πρακτική εμπειρία στη χρήση PyTorch και Hugging Face Transformers.

• Στερεή κατανόηση της αξιολόγησης μηχανικής μάθησης, συμπεριλαμβανομένου του σχεδιασμού δεδομένων, των βασικών γραμμών, των μετρήσεων, της βαθμονόμησης, των ψευδώς θετικών και των αρνητικών, της στατιστικής αβεβαιότητας και της αναπαραγωγιμότητας.

• Ικανότητα κριτικής ανάγνωσης ερευνητικών εργασιών ML και εφαρμογής μεθόδων από τις πρώτες αρχές αντί να βασίζεστε εξ ολοκλήρου σε υπάρχοντα πακέτα.

• Επαγγελματική εμπειρία μηχανικής λογισμικού πέρα ​​από φορητούς υπολογιστές, συμπεριλαμβανομένων API, ασύγχρονων εργασιών, βάσεων δεδομένων, καταγραφής, δοκιμών, ανάπτυξης και τεκμηρίωσης.

• Εξοικείωση με μοντέλα ανοιχτού βάρους και πρακτική κατανόηση του τρόπου λειτουργίας των σύγχρονων συστημάτων συμπερασμάτων LLM.

• Δυνατότητα εργασίας πέρα ​​από τα όρια του backend και του frontend, με επαρκείς γνώσεις React/TypeScript που βοηθούν να γίνουν κατανοητά από τους χρήστες πολύπλοκα πειράματα και αποτελέσματα.

• Ισχυρή πειραματική και αναλυτική κρίση, ιδιαίτερα γύρω από τη διάκριση των στοιχείων που δείχνουν από αυτά που απλώς υποδηλώνουν.

• Υψηλή ιδιοκτησία και πρωτοβουλία, με ικανότητα εντοπισμού προβλημάτων, πρότασης λύσεων και προώθησης έργων ανεξάρτητα.

• Άνεση εργασίας σε ένα ταχέως κινούμενο περιβάλλον εκκίνησης όπου οι προτεραιότητες μπορούν να αλλάξουν γρήγορα και οι μηχανικοί μπορούν να λειτουργούν σε πολλές λειτουργίες.

• Η εμπειρία με την προέλευση του μοντέλου, τη λήψη δακτυλικών αποτυπωμάτων, τη υδατοσήμανση, την ανίχνευση απόσταξης, τη δημιουργία ομάδας red-teaming, την αξιολόγηση ασφάλειας, την ερμηνευτικότητα ή σχετικούς τομείς είναι ένα συν.

• Η εμπειρία με την ανάλυση ενεργοποίησης και αναπαράστασης, την ανίχνευση, τα άγκιστρα μοντέλων, τα logits, τις κρυφές καταστάσεις ή άλλες τεχνικές εσωτερικών μοντέλων είναι συμφέρουσα.

• Η εξοικείωση με τις υποδομές αξιολόγησης και συμπερασμάτων όπως DSPy, LiteLLM, Temporal, Ray, vLLM, PostgreSQL/pgvector ή συγκρίσιμες τεχνολογίες είναι επωφελής.

• Η εμπειρία με τους πίνακες εργαλείων Next.js, React, TypeScript, οπτικοποίησης δεδομένων ή πειράματος είναι ένα πλεονέκτημα.

• Η εμπειρία εκτέλεσης και εξυπηρέτησης μοντέλων ανοιχτού βάρους σε GPU, συμπεριλαμβανομένου του συλλογισμού σχετικά με την καθυστέρηση, την απόδοση, τη μνήμη, την ακρίβεια και τους συμβιβασμούς κόστους, είναι πολύτιμη.

• Η πείρα στο σχεδιασμό αξιολογήσεων αντιπάλου ή συστημάτων δοκιμών έναντι σκόπιμων προσπαθειών αποφυγής ανίχνευσης αποτελεί πλεονέκτημα.

• Ισχυρή δέσμευση για την παραγωγή κώδικα ποιότητας παραγωγής, δοκιμών, εργαλείων και τεκμηρίωσης που άλλοι μηχανικοί μπορούν να λειτουργήσουν και να επεκτείνουν με σιγουριά.

Οφέλη:

• Ευκαιρία να εργαστείτε στην εφαρμοσμένη μηχανική μάθηση στο σημείο διασταύρωσης της έρευνας, του πειραματισμού, της μηχανικής και του προϊόντος.

• Από άκρο σε άκρο ιδιοκτησία σε αξιολόγηση μοντέλων, εσωτερικά μοντέλα, υποδομές, συστήματα υποστήριξης και εμπειρίες που αντιμετωπίζουν οι χρήστες.

• Έκθεση σε σύγχρονα μοντέλα ανοιχτού βάρους, συστήματα συμπερασμάτων LLM και αναδυόμενες τεχνικές επαλήθευσης ML.

• Ένας ρόλος με σημαντική τεχνική αυτονομία και δυνατότητα διαμόρφωσης τόσο πειραμάτων όσο και συστημάτων παραγωγής.

• Γρήγορο κινούμενο περιβάλλον startup με εξελισσόμενες προτεραιότητες και διαλειτουργική συνεργασία.…

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