Инженер по прикладному машинному обучению

Эта должность указана от имени компании-партнера, которая управляет всеми приложениями и последующими шагами. Наш партнер ищет инженера по прикладному машинному обучению в Швейцарии.

Будучи инженером по прикладному машинному обучению, вы будете работать на стыке исследований в области машинного обучения, экспериментов и производственного проектирования.
Вы превратите идеи исследовательских работ в строгие эксперименты, измеримые доказательства и надежные продукты.
Эта роль охватывает оценку модели, внутреннее устройство модели, инфраструктуру вывода, серверные системы и взаимодействие с пользователем.
Вы будете практически работать с современными моделями машинного обучения, разрабатывая оценки, которые покажут, какие методы могут (и не могут) продемонстрировать.
Вы также создадите инструменты промышленного уровня, которые сделают сложные эксперименты повторяемыми, наблюдаемыми и доступными для пользователей.
Окружающая среда ценит техническое суждение, ответственность, научную строгость и способность комфортно перемещаться по стеку технологий.
Это возможность помочь превратить новые методы машинного обучения в практические системы, которым люди могут доверять.

Ответственность

• Воспроизведение и оценка методов исследования машинного обучения с использованием моделей открытого веса и моделей, доступных через API.

• Разработать наборы оценочных данных, зонды, подходы к оценке, базовые уровни, калибровочные тесты и экспериментальные программы.

• При необходимости работайте напрямую с весами модели, логитами, скрытыми состояниями, активациями, API модели и инфраструктурой вывода.

• Создавать и расширять инфраструктуру оценки, охватывающую организаторов экспериментов, судей, настойчивость, оркестровку, отчетность и воспроизводимость.

• Превратите рабочие процессы исследования в интуитивно понятный интерфейс продукта, включая настройку экспериментов, выполнение, трассировку, сравнение, отчеты и рабочие процессы проверки.

• Исследуйте, как ведут себя методы проверки, когда модели изменяются путем точной настройки, слияния, квантования, дистилляции, безопасного удаления или преднамеренного уклонения.

• Разрабатывайте контролируемые эксперименты, позволяющие отличать значимые сигналы от артефактов, мешающих факторов и вводящих в заблуждение корреляций.

• Составлять четкие технические отчеты, в которых измеренные данные отделяются от интерпретаций и гипотез.

• Предоставляйте системы производственного качества с API-интерфейсами, асинхронными заданиями, базами данных, возможностями наблюдения, тестирования, развертывания и документации.

• Вносить вклад в исследования, эксперименты, разработку и разработку продуктов по мере развития приоритетов.

• В течение первых шести месяцев воспроизведите и задокументируйте как минимум один опубликованный метод происхождения модели или метода проверки, включая его возможности, предположения и ограничения.

• Создайте повторяемую программу проверки модели с версионными входными данными, артефактами, метриками и отчетами и сделайте хотя бы один рабочий процесс проверки доступным через интерфейс продукта.

• Проводить контролируемые эксперименты на базовых, точно настроенных, объединенных, квантованных и известных дистиллированных моделях, улучшая понимание того, когда методы проверки успешны, а когда терпят неудачу и почему.

Требования:

• Сильные инженерные навыки Python, а также практический опыт использования PyTorch и Hugging Face Transformers.

• Глубокое понимание оценки машинного обучения, включая дизайн набора данных, базовые уровни, метрики, калибровку, ложноположительные и отрицательные результаты, статистическую неопределенность и воспроизводимость.

• Способность критически читать научные статьи по МО и применять методы, исходя из основных принципов, а не полностью полагаться на существующие пакеты.

• Профессиональный опыт разработки программного обеспечения за пределами ноутбуков, включая API, асинхронные задания, базы данных, ведение журналов, тестирование, развертывание и документацию.

• Знакомство с моделями открытого веса и практическое понимание того, как работают современные системы вывода LLM.

• Способность работать независимо от внутренних и внешних границ, обладая достаточными знаниями React/TypeScript, чтобы делать сложные эксперименты и результаты понятными для пользователей.

• Сильное экспериментальное и аналитическое суждение, особенно в отношении различения того, что фактические данные демонстрируют, от того, что они просто предполагают.

• Высокая ответственность и инициативность, способность выявлять проблемы, предлагать решения и самостоятельно продвигать проекты.

• Комфортная работа в быстро меняющейся стартап-среде, где приоритеты могут быстро меняться, а инженеры могут выполнять несколько функций.

• Опыт работы с происхождением моделей, снятием отпечатков пальцев, водяными знаками, обнаружением дистилляции, красной командой, оценкой безопасности, интерпретируемостью или в смежных областях является плюсом.

• Опыт работы с анализом активации и представления, зондированием, перехватчиками модели, логитами, скрытыми состояниями или другими методами внутренней работы модели является преимуществом.

• Знание инфраструктуры оценки и вывода, такой как DSPy, LiteLLM, Temporal, Ray, vLLM, PostgreSQL/pgvector или аналогичных технологий, будет полезным.

• Опыт работы с Next.js, React, TypeScript, визуализацией данных или панелями экспериментов является плюсом.

• Опыт запуска и обслуживания моделей с открытым весом на графических процессорах, включая рассуждения о задержке, пропускной способности, памяти, точности и компромиссах в стоимости, является ценным.

• Опыт разработки состязательных систем оценки или тестирования против преднамеренных попыток уклониться от обнаружения является преимуществом.

• Твердая приверженность созданию кода, тестов, инструментов и документации производственного качества, которыми другие инженеры могут уверенно управлять и расширять.

Преимущества:

• Возможность работать над прикладным машинным обучением на стыке исследований, экспериментов, проектирования и производства продуктов.

• Комплексное владение оценкой модели, внутренними компонентами модели, инфраструктурой, серверными системами и взаимодействием с пользователем.

• Знакомство с современными моделями открытого веса, системами вывода LLM и новыми методами проверки машинного обучения.

• Роль со значительной технической автономией и возможностью формировать как эксперименты, так и производственные системы.

• Быстро развивающаяся стартап-среда с меняющимися приоритетами и межфункциональным сотрудничеством.…

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