Ingénieur ML appliqué

Ce poste est répertorié au nom d'une entreprise partenaire, qui gère toutes les candidatures et les prochaines étapes. Notre partenaire recherche un ingénieur ML appliqué basé en Suisse.

En tant qu'ingénieur ML appliqué, vous travaillerez à l'intersection de la recherche, de l'expérimentation et de l'ingénierie de production en apprentissage automatique.
Vous transformerez les idées issues de documents de recherche en expériences rigoureuses, en preuves mesurables et en produits fiables.
Le rôle couvre l'évaluation du modèle, les éléments internes du modèle, l'infrastructure d'inférence, les systèmes backend et les expériences de produits destinées aux utilisateurs.
Vous travaillerez concrètement avec des modèles ML modernes, en concevant des évaluations qui révèlent ce que les méthodes peuvent (et ne peuvent pas) démontrer.
Vous créerez également des outils de qualité production qui rendront les expériences complexes reproductibles, observables et accessibles aux utilisateurs.
L'environnement valorise le jugement technique, l'appropriation, la rigueur scientifique et la capacité d'évoluer confortablement dans la pile technologique.
C’est l’occasion de contribuer à transformer les techniques émergentes de ML en systèmes pratiques auxquels les gens peuvent avoir confiance.

Responsabilités

• Reproduire et évaluer des méthodes de recherche en apprentissage automatique à l'aide de modèles ouverts et accessibles par API.

• Concevoir des ensembles de données d'évaluation, des sondes, des approches de notation, des références, des tests d'étalonnage et des harnais d'expérimentation.

• Travaillez directement avec les poids de modèle, les logits, les états cachés, les activations, les API de modèle et l'infrastructure d'inférence si nécessaire.

• Créer et étendre l'infrastructure d'évaluation couvrant les coureurs d'expériences, les juges, la persistance, l'orchestration, le reporting et la reproductibilité.

• Transformez les flux de recherche en expériences produit intuitives, y compris la configuration, l'exécution, les traces, les comparaisons, les rapports et les flux de révision des expériences.

• Étudier comment les méthodes de vérification se comportent lorsque les modèles sont modifiés par un réglage fin, une fusion, une quantification, une distillation, une suppression de sécurité ou une évasion délibérée.

• Concevoir des expériences contrôlées qui distinguent les signaux significatifs des artefacts, des facteurs confondants et des corrélations trompeuses.

• Produire des rapports techniques clairs qui séparent les preuves mesurées des interprétations et des hypothèses.

• Fournissez des systèmes de qualité production avec des API, des tâches asynchrones, des bases de données, de l'observabilité, des tests, du déploiement et de la documentation.

• Contribuer à la recherche, à l'expérimentation, à l'ingénierie et aux produits à mesure que les priorités évoluent.

• Au cours des six premiers mois, reproduire et documenter au moins une méthode de provenance ou de vérification publiée, y compris ses capacités, hypothèses et limites.

• Créez un exécuteur de vérification de modèle reproductible avec des entrées, des artefacts, des mesures et des rapports versionnés, et rendez au moins un flux de travail de vérification accessible via l'interface du produit.

• Exécutez des expériences contrôlées sur des modèles de base, affinés, fusionnés, quantifiés et distillés connus, améliorant ainsi la compréhension du moment où les méthodes de vérification réussissent, échouent et pourquoi.

Exigences :

• Solides compétences en ingénierie Python, avec une expérience pratique de l'utilisation de PyTorch et de Hugging Face Transformers.

• Solide compréhension de l'évaluation de l'apprentissage automatique, y compris la conception d'ensembles de données, les lignes de base, les métriques, l'étalonnage, les faux positifs et négatifs, l'incertitude statistique et la reproductibilité.

• Capacité à lire des articles de recherche sur le ML de manière critique et à mettre en œuvre des méthodes à partir des premiers principes plutôt que de s'appuyer entièrement sur les packages existants.

• Expérience professionnelle en ingénierie logicielle au-delà des ordinateurs portables, y compris les API, les tâches asynchrones, les bases de données, la journalisation, les tests, le déploiement et la documentation.

• Familiarité avec les modèles à poids ouvert et compréhension pratique du fonctionnement des systèmes d'inférence LLM modernes.

• Capacité à travailler au-delà des limites du backend et du frontend, avec des connaissances suffisantes en React/TypeScript pour aider à rendre les expériences et les résultats complexes compréhensibles pour les utilisateurs.

• Fort jugement expérimental et analytique, en particulier pour distinguer ce que les preuves démontrent de ce qu'elles suggèrent simplement.

• Forte appropriation et initiative, avec la capacité d'identifier les problèmes, de proposer des solutions et de faire avancer les projets de manière indépendante.

• Être à l'aise de travailler dans un environnement de démarrage en évolution rapide, où les priorités peuvent changer rapidement et où les ingénieurs peuvent opérer dans plusieurs fonctions.

• Une expérience en matière de provenance de modèles, de prise d'empreintes digitales, de filigrane, de détection de distillation, d'équipe rouge, d'évaluation de la sécurité, d'interprétabilité ou de domaines connexes est un plus.

• Une expérience de l'analyse d'activation et de représentation, des sondages, des hooks de modèle, des logits, des états cachés ou d'autres techniques internes au modèle est avantageuse.

• Une connaissance des infrastructures d'évaluation et d'inférence telles que DSPy, LiteLLM, Temporal, Ray, vLLM, PostgreSQL/pgvector ou des technologies comparables est bénéfique.

• Une expérience avec Next.js, React, TypeScript, la visualisation de données ou les tableaux de bord d'expérimentation est un plus.

• Une expérience de l'exécution et du service de modèles ouverts sur des GPU, y compris le raisonnement sur la latence, le débit, la mémoire, la précision et les compromis de coûts, est précieuse.

• Une expérience dans la conception d'évaluations contradictoires ou de tests de systèmes contre des tentatives délibérées d'échapper à la détection est un avantage.

• Un engagement fort à produire du code, des tests, des outils et une documentation de qualité production que d'autres ingénieurs peuvent exploiter et étendre en toute confiance.

Avantages:

• Possibilité de travailler sur l'apprentissage automatique appliqué à l'intersection de la recherche, de l'expérimentation, de l'ingénierie et des produits.

• Propriété de bout en bout de l'évaluation du modèle, des composants internes du modèle, de l'infrastructure, des systèmes back-end et des expériences destinées aux utilisateurs.

• Exposition aux modèles modernes à poids ouvert, aux systèmes d'inférence LLM et aux techniques de vérification ML émergentes.

• Un rôle avec une autonomie technique importante et la possibilité de façonner à la fois les expériences et les systèmes de production.

• Environnement de startup en évolution rapide avec des priorités évolutives et une collaboration interfonctionnelle.…

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