Empleo
Del feed del socio
Ingeniero de ML aplicado
Precio a consultar
Detalles
- Tipo de empleo
- Jornada completa
- Remoto
- No
- Empresa
- Jobgether
Descripción
Traducido automáticamente de English. El texto original es el oficial. Traducción automática — se está preparando una más precisa.
Este puesto se cotiza en nombre de una empresa asociada, que gestiona todas las solicitudes y los próximos pasos. Nuestro socio está buscando un ingeniero de ML aplicado con sede en Suiza.
Como ingeniero de aprendizaje automático aplicado, trabajará en la intersección de la investigación, la experimentación y la ingeniería de producción del aprendizaje automático.
Convertirá ideas de artículos de investigación en experimentos rigurosos, evidencia mensurable y productos confiables.
La función abarca la evaluación de modelos, los aspectos internos del modelo, la infraestructura de inferencia, los sistemas backend y las experiencias de productos de cara al usuario.
Trabajará de forma práctica con modelos de aprendizaje automático modernos y diseñará evaluaciones que revelen qué métodos pueden (y no pueden) demostrar.
También creará herramientas de producción que hagan que los experimentos complejos sean repetibles, observables y accesibles para los usuarios.
El entorno valora el juicio técnico, la propiedad, el rigor científico y la capacidad de moverse cómodamente a través de la pila tecnológica.
Es una oportunidad para ayudar a transformar las técnicas de aprendizaje automático emergentes en sistemas prácticos en los que las personas puedan confiar.
Responsabilidades
• Reproducir y evaluar métodos de investigación de aprendizaje automático utilizando modelos de peso abierto y accesibles mediante API.
• Diseñar conjuntos de datos de evaluación, sondas, enfoques de puntuación, líneas de base, pruebas de calibración y arneses experimentales.
• Trabajar directamente con pesos de modelo, logits, estados ocultos, activaciones, API de modelo e infraestructura de inferencia cuando sea necesario.
• Construir y ampliar la infraestructura de evaluación que cubra los ejecutores de experimentos, los jueces, la persistencia, la orquestación, la generación de informes y la reproducibilidad.
• Convierta los flujos de trabajo de investigación en experiencias de productos intuitivas, incluida la configuración, ejecución, seguimientos, comparaciones, informes y flujos de trabajo de revisión de experimentos.
• Investigar cómo se comportan los métodos de verificación cuando los modelos se modifican mediante ajuste fino, fusión, cuantificación, destilación, eliminación de seguridad o evasión deliberada.
• Diseñar experimentos controlados que distingan señales significativas de artefactos, factores de confusión y correlaciones engañosas.
• Producir informes técnicos claros que separen la evidencia medida de la interpretación y las hipótesis.
• Ofrecer sistemas de calidad de producción con API, trabajos asincrónicos, bases de datos, observabilidad, pruebas, implementación y documentación.
• Contribuir a través de la investigación, la experimentación, la ingeniería y el producto a medida que evolucionan las prioridades.
• Durante los primeros seis meses, reproducir y documentar al menos un modelo de procedencia o método de verificación publicado, incluidas sus capacidades, supuestos y limitaciones.
• Cree un ejecutor de verificación de modelos repetible con entradas, artefactos, métricas e informes versionados, y haga accesible al menos un flujo de trabajo de verificación a través de la interfaz del producto.
• Ejecute experimentos controlados en modelos base, ajustados, fusionados, cuantificados y destilados conocidos, mejorando la comprensión de cuándo los métodos de verificación tienen éxito, fallan y por qué.
Requisitos:
• Fuertes habilidades de ingeniería en Python, con experiencia práctica en el uso de PyTorch y Hugging Face Transformers.
• Comprensión sólida de la evaluación del aprendizaje automático, incluido el diseño de conjuntos de datos, líneas de base, métricas, calibración, falsos positivos y negativos, incertidumbre estadística y reproducibilidad.
• Capacidad para leer artículos de investigación de ML de manera crítica e implementar métodos desde los primeros principios en lugar de depender completamente de los paquetes existentes.
• Experiencia profesional en ingeniería de software más allá de los portátiles, incluidas API, trabajos asincrónicos, bases de datos, registros, pruebas, implementación y documentación.
• Familiaridad con modelos de peso abierto y comprensión práctica de cómo funcionan los sistemas de inferencia LLM modernos.
• Capacidad para trabajar a través de límites de backend y frontend, con suficiente conocimiento de React/TypeScript para ayudar a que los experimentos complejos y los resultados sean comprensibles para los usuarios.
• Fuerte juicio experimental y analítico, particularmente en lo que respecta a distinguir lo que la evidencia demuestra de lo que simplemente sugiere.
• Alta propiedad e iniciativa, con capacidad para identificar problemas, proponer soluciones e impulsar proyectos de forma independiente.
• Comodidad al trabajar en un entorno de startups en rápido movimiento donde las prioridades pueden cambiar rápidamente y los ingenieros pueden operar en múltiples funciones.
• Se valorará la experiencia con procedencia de modelos, toma de huellas dactilares, marcas de agua, detección de destilación, equipos rojos, evaluación de seguridad, interpretabilidad o áreas relacionadas.
• Es ventajosa la experiencia con análisis de activación y representación, sondeo, ganchos de modelos, logits, estados ocultos u otras técnicas internas de modelos.
• Es beneficiosa la familiaridad con la infraestructura de evaluación e inferencia como DSPy, LiteLLM, Temporal, Ray, vLLM, PostgreSQL/pgvector o tecnologías comparables.
• Se valorará tener experiencia con Next.js, React, TypeScript, visualización de datos o paneles de experimentos.
• Es valiosa la experiencia en ejecutar y ofrecer modelos de peso abierto en GPU, incluido el razonamiento sobre latencia, rendimiento, memoria, precisión y compensaciones de costos.
• Se valorará tener experiencia en el diseño de evaluaciones adversas o sistemas de prueba contra intentos deliberados de evadir la detección.
• Un fuerte compromiso para producir código, pruebas, herramientas y documentación con calidad de producción que otros ingenieros puedan operar y ampliar con confianza.
Beneficios:
• Oportunidad de trabajar en aprendizaje automático aplicado en la intersección de investigación, experimentación, ingeniería y producto.
• Propiedad de extremo a extremo en la evaluación del modelo, los componentes internos del modelo, la infraestructura, los sistemas backend y las experiencias de cara al usuario.
• Exposición a modelos modernos de peso abierto, sistemas de inferencia LLM y técnicas emergentes de verificación de ML.
• Un rol con importante autonomía técnica y la oportunidad de dar forma tanto a experimentos como a sistemas de producción.
• Entorno de startups en rápido movimiento con prioridades en evolución y colaboración multifuncional.…
Fuente: Arbeitnow (https://www.arbeitnow.ch/jobs/companies/jobgether/applied-ml-engineer-switzerland-194961)
Como ingeniero de aprendizaje automático aplicado, trabajará en la intersección de la investigación, la experimentación y la ingeniería de producción del aprendizaje automático.
Convertirá ideas de artículos de investigación en experimentos rigurosos, evidencia mensurable y productos confiables.
La función abarca la evaluación de modelos, los aspectos internos del modelo, la infraestructura de inferencia, los sistemas backend y las experiencias de productos de cara al usuario.
Trabajará de forma práctica con modelos de aprendizaje automático modernos y diseñará evaluaciones que revelen qué métodos pueden (y no pueden) demostrar.
También creará herramientas de producción que hagan que los experimentos complejos sean repetibles, observables y accesibles para los usuarios.
El entorno valora el juicio técnico, la propiedad, el rigor científico y la capacidad de moverse cómodamente a través de la pila tecnológica.
Es una oportunidad para ayudar a transformar las técnicas de aprendizaje automático emergentes en sistemas prácticos en los que las personas puedan confiar.
Responsabilidades
• Reproducir y evaluar métodos de investigación de aprendizaje automático utilizando modelos de peso abierto y accesibles mediante API.
• Diseñar conjuntos de datos de evaluación, sondas, enfoques de puntuación, líneas de base, pruebas de calibración y arneses experimentales.
• Trabajar directamente con pesos de modelo, logits, estados ocultos, activaciones, API de modelo e infraestructura de inferencia cuando sea necesario.
• Construir y ampliar la infraestructura de evaluación que cubra los ejecutores de experimentos, los jueces, la persistencia, la orquestación, la generación de informes y la reproducibilidad.
• Convierta los flujos de trabajo de investigación en experiencias de productos intuitivas, incluida la configuración, ejecución, seguimientos, comparaciones, informes y flujos de trabajo de revisión de experimentos.
• Investigar cómo se comportan los métodos de verificación cuando los modelos se modifican mediante ajuste fino, fusión, cuantificación, destilación, eliminación de seguridad o evasión deliberada.
• Diseñar experimentos controlados que distingan señales significativas de artefactos, factores de confusión y correlaciones engañosas.
• Producir informes técnicos claros que separen la evidencia medida de la interpretación y las hipótesis.
• Ofrecer sistemas de calidad de producción con API, trabajos asincrónicos, bases de datos, observabilidad, pruebas, implementación y documentación.
• Contribuir a través de la investigación, la experimentación, la ingeniería y el producto a medida que evolucionan las prioridades.
• Durante los primeros seis meses, reproducir y documentar al menos un modelo de procedencia o método de verificación publicado, incluidas sus capacidades, supuestos y limitaciones.
• Cree un ejecutor de verificación de modelos repetible con entradas, artefactos, métricas e informes versionados, y haga accesible al menos un flujo de trabajo de verificación a través de la interfaz del producto.
• Ejecute experimentos controlados en modelos base, ajustados, fusionados, cuantificados y destilados conocidos, mejorando la comprensión de cuándo los métodos de verificación tienen éxito, fallan y por qué.
Requisitos:
• Fuertes habilidades de ingeniería en Python, con experiencia práctica en el uso de PyTorch y Hugging Face Transformers.
• Comprensión sólida de la evaluación del aprendizaje automático, incluido el diseño de conjuntos de datos, líneas de base, métricas, calibración, falsos positivos y negativos, incertidumbre estadística y reproducibilidad.
• Capacidad para leer artículos de investigación de ML de manera crítica e implementar métodos desde los primeros principios en lugar de depender completamente de los paquetes existentes.
• Experiencia profesional en ingeniería de software más allá de los portátiles, incluidas API, trabajos asincrónicos, bases de datos, registros, pruebas, implementación y documentación.
• Familiaridad con modelos de peso abierto y comprensión práctica de cómo funcionan los sistemas de inferencia LLM modernos.
• Capacidad para trabajar a través de límites de backend y frontend, con suficiente conocimiento de React/TypeScript para ayudar a que los experimentos complejos y los resultados sean comprensibles para los usuarios.
• Fuerte juicio experimental y analítico, particularmente en lo que respecta a distinguir lo que la evidencia demuestra de lo que simplemente sugiere.
• Alta propiedad e iniciativa, con capacidad para identificar problemas, proponer soluciones e impulsar proyectos de forma independiente.
• Comodidad al trabajar en un entorno de startups en rápido movimiento donde las prioridades pueden cambiar rápidamente y los ingenieros pueden operar en múltiples funciones.
• Se valorará la experiencia con procedencia de modelos, toma de huellas dactilares, marcas de agua, detección de destilación, equipos rojos, evaluación de seguridad, interpretabilidad o áreas relacionadas.
• Es ventajosa la experiencia con análisis de activación y representación, sondeo, ganchos de modelos, logits, estados ocultos u otras técnicas internas de modelos.
• Es beneficiosa la familiaridad con la infraestructura de evaluación e inferencia como DSPy, LiteLLM, Temporal, Ray, vLLM, PostgreSQL/pgvector o tecnologías comparables.
• Se valorará tener experiencia con Next.js, React, TypeScript, visualización de datos o paneles de experimentos.
• Es valiosa la experiencia en ejecutar y ofrecer modelos de peso abierto en GPU, incluido el razonamiento sobre latencia, rendimiento, memoria, precisión y compensaciones de costos.
• Se valorará tener experiencia en el diseño de evaluaciones adversas o sistemas de prueba contra intentos deliberados de evadir la detección.
• Un fuerte compromiso para producir código, pruebas, herramientas y documentación con calidad de producción que otros ingenieros puedan operar y ampliar con confianza.
Beneficios:
• Oportunidad de trabajar en aprendizaje automático aplicado en la intersección de investigación, experimentación, ingeniería y producto.
• Propiedad de extremo a extremo en la evaluación del modelo, los componentes internos del modelo, la infraestructura, los sistemas backend y las experiencias de cara al usuario.
• Exposición a modelos modernos de peso abierto, sistemas de inferencia LLM y técnicas emergentes de verificación de ML.
• Un rol con importante autonomía técnica y la oportunidad de dar forma tanto a experimentos como a sistemas de producción.
• Entorno de startups en rápido movimiento con prioridades en evolución y colaboración multifuncional.…
Fuente: Arbeitnow (https://www.arbeitnow.ch/jobs/companies/jobgether/applied-ml-engineer-switzerland-194961)
Este anuncio proviene de un feed de socios. Solicítalo en el sitio web de origen.
Fuente: Jobgether
Publicación proporcionada por Jobgether.
