Inżynier ds. badań nad sztuczną inteligencją (kompresja i kwantyzacja modelu)

Dołącz do Tether i kształtuj przyszłość finansów cyfrowych
W Tether nie tylko budujemy produkty, jesteśmy pionierami globalnej rewolucji finansowej. Nasze najnowocześniejsze rozwiązania umożliwiają firmom – od giełd i portfeli po procesory płatności i bankomaty – bezproblemową integrację tokenów zabezpieczonych rezerwą w ramach łańcuchów bloków. Wykorzystując moc technologii blockchain, Tether umożliwia natychmiastowe, bezpieczne i globalne przechowywanie, wysyłanie i odbieranie tokenów cyfrowych za ułamek kosztów. Przejrzystość jest podstawą wszystkiego, co robimy, zapewniając zaufanie przy każdej transakcji.

Wprowadzaj innowacje dzięki Tetherowi
Tether Finance: Nasz innowacyjny pakiet produktów obejmuje najbardziej zaufaną na świecie monetę typu stablecoin, USDT, na której polegają setki milionów ludzi na całym świecie, a także pionierskie usługi tokenizacji aktywów cyfrowych.
Ale to dopiero początek:
Tether Power: napędzając zrównoważony rozwój, nasze rozwiązania energetyczne optymalizują nadwyżkę mocy na potrzeby wydobywania Bitcoinów, stosując przyjazne dla środowiska praktyki w najnowocześniejszych, zróżnicowanych geograficznie obiektach.
Tether Data: napędzając przełomy w sztucznej inteligencji i technologii peer-to-peer, obniżamy koszty infrastruktury i ulepszamy globalną komunikację dzięki najnowocześniejszym rozwiązaniom, takim jak KEET, nasza flagowa aplikacja, która na nowo definiuje bezpieczne i prywatne udostępnianie danych.
Edukacja Tether: demokratyzując dostęp do najwyższej klasy edukacji cyfrowej, umożliwiamy jednostkom prosperowanie w gospodarce cyfrowej i gig, napędzając globalny wzrost i możliwości.
Tether Evolution: Na skrzyżowaniu technologii i potencjału ludzkiego przesuwamy granice tego, co możliwe, tworząc przyszłość, w której innowacje i ludzkie możliwości łączą się w potężny, niespotykany dotąd sposób.

Dlaczego warto do nas dołączyć?
Nasz zespół to globalna potęga talentów, pracująca zdalnie z każdego zakątka świata. Jeśli pasjonujesz się pozostawieniem śladu w przestrzeni fintech, to Twoja szansa na współpracę z najwybitniejszymi umysłami, przesuwanie granic i wyznaczanie nowych standardów. Szybko się rozwinęliśmy, utrzymaliśmy szczupłą sylwetkę i zapewniliśmy sobie pozycję lidera w branży.
Jeśli potrafisz doskonale komunikować się w języku angielskim i jesteś gotowy wnieść swój wkład w najbardziej innowacyjną platformę na świecie, Tether jest miejscem dla Ciebie.
Czy jesteś gotowy, aby być częścią przyszłości?

O pracy
Jako członek naszego zespołu badawczego AI będziesz wprowadzać innowacje w zakresie kompresji modeli i wydajnego wdrażania zaawansowanych multimodalnych systemów AI, w tym dużych modeli językowych (LLM) i modeli wizyjno-językowych (VLM). Twoja praca skupi się na zmniejszeniu zasięgu modelu i kosztów obliczeniowych przy jednoczesnym zachowaniu dokładności, umożliwiając wydajne działanie sztucznej inteligencji o wysokiej wydajności na urządzeniach brzegowych o ograniczonych zasobach. Będziesz stosować i rozwijać techniki kompresji, takie jak kwantyzacja, destylacja wiedzy i przycinanie, aby usprawnić złożone architektury multimodalne integrujące tekst, obrazy i dźwięk.
Oczekujemy, że będziesz mieć głęboką wiedzę specjalistyczną w zakresie metod kompresji modeli i duże doświadczenie w architekturze modeli multimodalnych. Przyjmiesz praktyczne, oparte na badaniach podejście do opracowywania, testowania i wdrażania nowatorskich strategii kompresji, które równoważą rozmiar modelu, opóźnienia, przepustowość i dokładność. Do Twoich obowiązków należy budowanie solidnych potoków kompresji, ustalanie wskaźników wydajności i wierności oraz eliminowanie wąskich gardeł we wnioskowaniu produkcyjnym. Ostatecznym celem jest dostarczenie skalowalnych systemów AI o małej ilości pamięci i małych opóźnieniach na urządzeniach brzegowych (tj. smartfonach), które zachowują wysoką wierność i namacalną wartość w świecie rzeczywistym.

Obowiązki
Podziel kluczowe obowiązki w punktach. Pomocne jest uczynienie ich wykonalnymi i mierzalnymi. Można to również pogrupować w kategorie dla bardziej złożonych ról.

• Zastosuj niskobitową kwantyzację, aby zmniejszyć rozmiar modelu i opóźnienie wnioskowania w przypadku generatywnych modeli AI (LLM, VLM, multimodalne), zachowując jednocześnie dokładność i jakość wyjściową.

• Wykorzystaj destylację wiedzy, aby przenieść możliwości z większych modeli nauczycieli na mniejsze modele uczniów, umożliwiając wydajne rozumowanie multimodalne na podstawie tekstu, obrazu i dźwięku.

• Wdrożenie technik czyszczenia w celu usunięcia zbędnych parametrów i głowic uwagi, redukując obciążenie obliczeniowe bez poświęcania wydajności zadania.

• Analizowanie kompromisów pomiędzy wydajnością modelu (rozmiar, opóźnienie, pamięć) a dokładnością metod kwantyzacji, destylacji i przycinania; proponować ulepszenia w oparciu o ustalenia empiryczne.

• Zbadaj i zastosuj kwantyzację o mieszanej precyzji i inne zaawansowane strategie kompresji (np. adaptacyjne harmonogramy przycinania, destylacja z dopasowaniem cech pośrednich), aby zoptymalizować równowagę dokładności i wydajności.

• Bądź na bieżąco z najnowszymi badaniami w zakresie kompresji modeli, w tym z pojawiającymi się technikami dla architektur multimodalnych i generatywnych.

• Jasno dokumentuj metodologie, eksperymenty i wyniki, aby zapewnić powtarzalność, współpracę wewnętrzną i komunikację z interesariuszami.

• Autor artykułów technicznych i publikuje ustalenia na najważniejszych konferencjach (np. NeurIPS, ICML, ICLR, CVPR, ACL, AAAI), aby rozwijać dziedzinę kompresji modeli dla multimodalnej sztucznej inteligencji.

• Wykształcenie wyższe z zakresu informatyki lub pokrewnej dziedziny. Idealny doktorat z NLP, uczenia maszynowego lub pokrewnej dziedziny, uzupełniony solidnymi osiągnięciami w dziedzinie badań i rozwoju AI (z dobrymi publikacjami na konferencjach A*).

• Doświadczenie z platformami głębokiego uczenia się PyTorch lub równoważnymi platformami

• Praktyczne doświadczenie w kwantyzacji modelu, obejmujące zarówno szkolenie z uwzględnieniem kwantyzacji (QAT), jak i kwantyzację po treningu (PTQ).

• Badania i praktyczne doświadczenie w zakresie destylacji wiedzy w celu kompresji dużych modeli w mniejsze, wydajne.

• Badania i praktyczne doświadczenie w zakresie przycinania modeli w celu kompresji dużych modeli w mniejsze, wydajne.…

Źródło: Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/tether-operatives-limited/remote-ai-research-engineer-model-compression-quantization-united-kindom-225892)