Inżynier ML stosowany

Stanowisko to wystawiane jest w imieniu firmy partnerskiej, która zarządza wszystkimi aplikacjami i kolejnymi krokami. Nasz partner poszukuje inżyniera ML mieszkającego w Szwajcarii.

Jako inżynier Applied ML będziesz pracować na styku badań nad uczeniem maszynowym, eksperymentów i inżynierii produkcji.
Zamienisz pomysły z artykułów naukowych w rygorystyczne eksperymenty, mierzalne dowody i niezawodne produkty.
Rola ta obejmuje ocenę modelu, elementy wewnętrzne modelu, infrastrukturę wnioskowania, systemy zaplecza i doświadczenia związane z produktami skierowane do użytkownika.
Będziesz pracować praktycznie z nowoczesnymi modelami uczenia maszynowego, projektując oceny, które ujawnią, jakie metody mogą – a czego nie mogą – wykazać.
Będziesz także tworzyć narzędzia klasy produkcyjnej, dzięki którym złożone eksperymenty będą powtarzalne, obserwowalne i dostępne dla użytkowników.
Środowisko ceni ocenę techniczną, własność, dyscyplinę naukową i możliwość wygodnego poruszania się po stosie technologii.
To szansa, aby pomóc w przekształceniu pojawiających się technik uczenia maszynowego w praktyczne systemy, którym ludzie mogą zaufać.

Odpowiedzialność

• Odtwarzaj i oceniaj metody badawcze uczenia maszynowego przy użyciu modeli otwartych i dostępnych za pomocą interfejsu API.

• Projektowanie zbiorów danych ewaluacyjnych, sond, podejść do punktacji, linii bazowych, testów kalibracyjnych i zespołów eksperymentalnych.

• Pracuj bezpośrednio z wagami modeli, logitami, stanami ukrytymi, aktywacjami, interfejsami API modeli i infrastrukturą wnioskowania, jeśli jest to wymagane.

• Budowanie i rozszerzanie infrastruktury ewaluacyjnej obejmującej osoby przeprowadzające eksperymenty, sędziów, trwałość, orkiestrację, raportowanie i odtwarzalność.

• Zamień przepływy pracy badawczej w intuicyjne doświadczenia związane z produktami, obejmujące konfigurację eksperymentów, wykonanie, ślady, porównania, raporty i przepływy pracy związane z przeglądami.

• Zbadaj, jak zachowują się metody weryfikacji, gdy modele są modyfikowane poprzez dostrajanie, łączenie, kwantyzację, destylację, usuwanie ze względów bezpieczeństwa lub celowe obejście.

• Projektuj kontrolowane eksperymenty, które odróżniają znaczące sygnały od artefaktów, czynników zakłócających i wprowadzających w błąd korelacji.

• Twórz przejrzyste raporty techniczne, oddzielające zmierzone dowody od interpretacji i hipotez.

• Dostarczaj systemy o jakości produkcyjnej z interfejsami API, zadaniami asynchronicznymi, bazami danych, obserwowalnością, testowaniem, wdrażaniem i dokumentacją.

• Wkład w badania, eksperymenty, inżynierię i produkt w miarę ewolucji priorytetów.

• W ciągu pierwszych sześciu miesięcy odtwórz i udokumentuj co najmniej jedną opublikowaną metodę pochodzenia modelu lub weryfikacji, w tym jej możliwości, założenia i ograniczenia.

• Zbuduj powtarzalny mechanizm weryfikacji modelu z wersjonowanymi danymi wejściowymi, artefaktami, metrykami i raportami oraz udostępnij co najmniej jeden przepływ pracy weryfikacyjnej za pośrednictwem interfejsu produktu.

• Przeprowadzaj kontrolowane eksperymenty na modelach podstawowych, dostrojonych, scalonych, skwantowanych i znanych modelach destylowanych, poprawiając zrozumienie, kiedy metody weryfikacji kończą się sukcesem, a kiedy niepowodzeniem i dlaczego.

Wymagania:

• Silne umiejętności inżynieryjne w języku Python, z praktycznym doświadczeniem w korzystaniu z PyTorch i Hugging Face Transformers.

• Solidne zrozumienie oceny uczenia maszynowego, w tym projektowania zbioru danych, wartości bazowych, metryk, kalibracji, wyników fałszywie pozytywnych i negatywnych, niepewności statystycznej i odtwarzalności.

• Umiejętność krytycznego czytania artykułów naukowych dotyczących uczenia maszynowego i wdrażania metod opartych na podstawowych zasadach, zamiast polegać wyłącznie na istniejących pakietach.

• Profesjonalne doświadczenie w inżynierii oprogramowania wykraczające poza notebooki, w tym interfejsy API, zadania asynchroniczne, bazy danych, rejestrowanie, testowanie, wdrażanie i dokumentacja.

• Znajomość modeli z wagą otwartą i praktyczne zrozumienie działania nowoczesnych systemów wnioskowania LLM.

• Umiejętność pracy ponad granicami backendu i frontendu, z wystarczającą znajomością React/TypeScript, która pomaga w tworzeniu złożonych eksperymentów i wyników zrozumiałych dla użytkowników.

• Silna ocena eksperymentalna i analityczna, szczególnie w zakresie odróżniania tego, co dowody potwierdzają, od tego, co jedynie sugerują.

• Wysoka odpowiedzialność i inicjatywa, ze zdolnością do identyfikowania problemów, proponowania rozwiązań i samodzielnego prowadzenia projektów.

• Komfort pracy w szybko zmieniającym się środowisku startowym, w którym priorytety mogą szybko się zmieniać, a inżynierowie mogą zajmować się wieloma funkcjami.

• Doświadczenie w zakresie pochodzenia modelu, pobierania odcisków palców, znaków wodnych, wykrywania destylacji, tworzenia zespołów czerwonych, oceny bezpieczeństwa, możliwości interpretacji lub obszarów pokrewnych będzie dodatkowym atutem.

• Mile widziane doświadczenie w analizie aktywacji i reprezentacji, sondowaniu, hakach modelu, logitach, stanach ukrytych lub innych technikach wewnętrznych modelu.

• Znajomość infrastruktury oceny i wnioskowania, takiej jak DSPy, LiteLLM, Temporal, Ray, vLLM, PostgreSQL/pgvector lub porównywalnych technologii będzie korzystna.

• Doświadczenie z Next.js, React, TypeScript, wizualizacją danych lub pulpitami nawigacyjnymi eksperymentów będzie dodatkowym atutem.

• Cenne jest doświadczenie w uruchamianiu i udostępnianiu modeli o otwartej wadze na procesorach graficznych, w tym rozumowanie dotyczące opóźnień, przepustowości, pamięci, precyzji i kompromisów kosztowych.

• Doświadczenie w projektowaniu ocen kontradyktoryjnych lub testowaniu systemów pod kątem celowych prób uniknięcia wykrycia będzie zaletą.

• Silne zaangażowanie w tworzenie kodu, testów, narzędzi i dokumentacji o jakości produkcyjnej, które inni inżynierowie mogą bez obaw obsługiwać i rozszerzać.

Korzyści:

• Możliwość pracy nad stosowanym uczeniem maszynowym na styku badań, eksperymentów, inżynierii i produktu.

• Kompleksowa własność w zakresie oceny modelu, elementów wewnętrznych modelu, infrastruktury, systemów zaplecza i doświadczeń skierowanych do użytkownika.

• Ekspozycja na nowoczesne modele otwartej wagi, systemy wnioskowania LLM i pojawiające się techniki weryfikacji ML.

• Rola charakteryzująca się znaczną autonomią techniczną i możliwością kształtowania zarówno eksperymentów, jak i systemów produkcyjnych.

• Szybko zmieniające się środowisko startupowe ze zmieniającymi się priorytetami i współpracą międzyfunkcyjną.…

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