Вакансія
З партнерського стрічки
Applied ML Engineer
Ціна за запитом
Деталі
- Тип зайнятості
- Повна зайнятість
- Віддалено
- Ні
- Компанія
- Jobgether
Опис
Автоматичний переклад з English. Оригінальний текст є авторитетним. Машинний переклад — готується точніший варіант.
Ця посада вказана від імені партнерської компанії, яка керує всіма заявками та наступними кроками. Наш партнер шукає інженера Applied ML у Швейцарії.
Як Applied ML Engineer, ви працюватимете на стику машинного навчання, досліджень, експериментів і виробництва.
Ви перетворите ідеї з наукових статей на суворі експерименти, вимірювані докази та надійні продукти.
Роль охоплює оцінку моделі, внутрішні моделі, інфраструктуру логічного висновку, серверні системи та взаємодію з продуктом для користувачів.
Ви практично працюватимете з сучасними моделями машинного навчання, розробляючи оцінки, які показуватимуть, які методи можуть, а які ні, продемонструвати.
Ви також створите інструменти виробничого рівня, які зроблять складні експерименти повторюваними, доступними для спостереження та доступними для користувачів.
Навколишнє середовище цінує технічне судження, власність, наукову точність і здатність комфортно переміщатися по технологічному стеку.
Це можливість допомогти перетворити нові методи ML на практичні системи, яким люди можуть довіряти.
Звітність
• Відтворюйте та оцінюйте методи дослідження машинного навчання за допомогою відкритих моделей і моделей, доступних через API.
• Розробка наборів даних для оцінювання, зондів, підходів до оцінки, базових ліній, калібрувальних тестів та використання експериментів.
• Працюйте безпосередньо з вагами моделей, логітами, прихованими станами, активаціями, API моделі та інфраструктурою висновків, коли це необхідно.
• Створюйте та розширюйте інфраструктуру оцінки, яка охоплює керівників експериментів, суддів, наполегливість, оркестровку, звітування та відтворюваність.
• Перетворіть дослідницькі робочі процеси на інтуїтивно зрозумілу роботу з продуктом, включаючи конфігурацію експерименту, виконання, трасування, порівняння, звіти та робочі процеси перегляду.
• Дослідіть, як поводяться методи перевірки, коли моделі модифікуються шляхом тонкого налаштування, злиття, квантування, дистиляції, видалення безпеки або навмисного ухилення.
• Розробляйте контрольовані експерименти, які відрізняють значущі сигнали від артефактів, спотворень і оманливих кореляцій.
• Готуйте чіткі технічні звіти, які відокремлюють виміряні докази від інтерпретації та гіпотез.
• Надавати високоякісні системи з API, асинхронними завданнями, базами даних, можливістю спостереження, тестуванням, розгортанням і документацією.
• Робіть внесок у дослідження, експерименти, розробку та продукт у міру розвитку пріоритетів.
• Протягом перших шести місяців відтворіть і задокументуйте принаймні одну опубліковану модель походження або метод перевірки, включаючи його можливості, припущення та обмеження.
• Створіть повторювану програму перевірки моделі з вхідними даними з версіями, артефактами, показниками та звітами та зробіть принаймні один робочий процес перевірки доступним через інтерфейс продукту.
• Проводьте контрольовані експерименти з базовими, точно налаштованими, об’єднаними, квантованими та відомими дистильованими моделями, покращуючи розуміння того, коли методи перевірки успішні, невдалі та чому.
Вимоги:
• Сильні інженерні навички Python, з практичним досвідом використання PyTorch і Hugging Face Transformers.
• Тверде розуміння оцінки машинного навчання, включаючи дизайн набору даних, базові лінії, показники, калібрування, хибні позитивні та негативні результати, статистичну невизначеність і відтворюваність.
• Здатність критично читати дослідницькі статті МЛ і впроваджувати методи з перших принципів, а не повністю покладатися на існуючі пакети.
• Професійний досвід розробки програмного забезпечення за межами ноутбуків, включаючи API, асинхронні завдання, бази даних, журналювання, тестування, розгортання та документацію.
• Знайомство з відкритими моделями та практичне розуміння того, як працюють сучасні системи LLM.
• Здатність працювати через межі серверної та зовнішньої інтерфейсів із достатнім знанням React/TypeScript, щоб допомогти зробити складні експерименти та результати зрозумілими для користувачів.
• Сильне експериментальне та аналітичне судження, особливо щодо розрізнення того, що докази демонструють, від того, що вони просто припускають.
• Висока відповідальність та ініціатива зі здатністю виявляти проблеми, пропонувати рішення та самостійно просувати проекти.
• Комфортна робота в швидкозмінному середовищі запуску, де пріоритети можуть швидко змінюватися, а інженери можуть виконувати різні функції.
• Досвід із визначенням походження моделі, зняттям відбитків пальців, водяним знаком, виявленням дистиляції, червоним об’єднанням, оцінкою безпеки, інтерпретацією чи схожими областями є перевагою.
• Досвід роботи з аналізом активації та репрезентації, зондуванням, гачками моделей, логітами, прихованими станами або іншими методами внутрішньої моделі є перевагою.
• Знайомство з інфраструктурою оцінювання та логічного висновку, такою як DSPy, LiteLLM, Temporal, Ray, vLLM, PostgreSQL/pgvector або подібними технологіями, є корисним.
• Досвід роботи з Next.js, React, TypeScript, візуалізацією даних або панелями експериментів є плюсом.
• Досвід запуску та обслуговування відкритих моделей на графічних процесорах, включаючи міркування про затримку, пропускну здатність, пам’ять, точність і компроміси вартості, є цінним.
• Досвід розробки конкурентних оцінок або систем тестування проти навмисних спроб уникнути виявлення є перевагою.
• Тверда відданість створенню якісного коду, тестів, інструментів і документації, якими інші інженери можуть впевнено працювати та розширювати.
Переваги:
• Можливість працювати над прикладним машинним навчанням на перетині досліджень, експериментів, розробки та продукту.
• Наскрізне володіння оцінкою моделі, внутрішніми елементами моделі, інфраструктурою, серверними системами та взаємодією з користувачем.
• Ознайомлення з сучасними відкритими моделями, системами логічного висновку LLM і новими методами верифікації ML.
• Роль зі значною технічною автономією та можливістю формувати як експерименти, так і виробничі системи.
• Швидко мінливе стартап-середовище зі змінними пріоритетами та міжфункціональною співпрацею.…
Джерело: Arbeitnow (https://www.arbeitnow.ch/jobs/companies/jobgether/applied-ml-engineer-switzerland-194961)
Як Applied ML Engineer, ви працюватимете на стику машинного навчання, досліджень, експериментів і виробництва.
Ви перетворите ідеї з наукових статей на суворі експерименти, вимірювані докази та надійні продукти.
Роль охоплює оцінку моделі, внутрішні моделі, інфраструктуру логічного висновку, серверні системи та взаємодію з продуктом для користувачів.
Ви практично працюватимете з сучасними моделями машинного навчання, розробляючи оцінки, які показуватимуть, які методи можуть, а які ні, продемонструвати.
Ви також створите інструменти виробничого рівня, які зроблять складні експерименти повторюваними, доступними для спостереження та доступними для користувачів.
Навколишнє середовище цінує технічне судження, власність, наукову точність і здатність комфортно переміщатися по технологічному стеку.
Це можливість допомогти перетворити нові методи ML на практичні системи, яким люди можуть довіряти.
Звітність
• Відтворюйте та оцінюйте методи дослідження машинного навчання за допомогою відкритих моделей і моделей, доступних через API.
• Розробка наборів даних для оцінювання, зондів, підходів до оцінки, базових ліній, калібрувальних тестів та використання експериментів.
• Працюйте безпосередньо з вагами моделей, логітами, прихованими станами, активаціями, API моделі та інфраструктурою висновків, коли це необхідно.
• Створюйте та розширюйте інфраструктуру оцінки, яка охоплює керівників експериментів, суддів, наполегливість, оркестровку, звітування та відтворюваність.
• Перетворіть дослідницькі робочі процеси на інтуїтивно зрозумілу роботу з продуктом, включаючи конфігурацію експерименту, виконання, трасування, порівняння, звіти та робочі процеси перегляду.
• Дослідіть, як поводяться методи перевірки, коли моделі модифікуються шляхом тонкого налаштування, злиття, квантування, дистиляції, видалення безпеки або навмисного ухилення.
• Розробляйте контрольовані експерименти, які відрізняють значущі сигнали від артефактів, спотворень і оманливих кореляцій.
• Готуйте чіткі технічні звіти, які відокремлюють виміряні докази від інтерпретації та гіпотез.
• Надавати високоякісні системи з API, асинхронними завданнями, базами даних, можливістю спостереження, тестуванням, розгортанням і документацією.
• Робіть внесок у дослідження, експерименти, розробку та продукт у міру розвитку пріоритетів.
• Протягом перших шести місяців відтворіть і задокументуйте принаймні одну опубліковану модель походження або метод перевірки, включаючи його можливості, припущення та обмеження.
• Створіть повторювану програму перевірки моделі з вхідними даними з версіями, артефактами, показниками та звітами та зробіть принаймні один робочий процес перевірки доступним через інтерфейс продукту.
• Проводьте контрольовані експерименти з базовими, точно налаштованими, об’єднаними, квантованими та відомими дистильованими моделями, покращуючи розуміння того, коли методи перевірки успішні, невдалі та чому.
Вимоги:
• Сильні інженерні навички Python, з практичним досвідом використання PyTorch і Hugging Face Transformers.
• Тверде розуміння оцінки машинного навчання, включаючи дизайн набору даних, базові лінії, показники, калібрування, хибні позитивні та негативні результати, статистичну невизначеність і відтворюваність.
• Здатність критично читати дослідницькі статті МЛ і впроваджувати методи з перших принципів, а не повністю покладатися на існуючі пакети.
• Професійний досвід розробки програмного забезпечення за межами ноутбуків, включаючи API, асинхронні завдання, бази даних, журналювання, тестування, розгортання та документацію.
• Знайомство з відкритими моделями та практичне розуміння того, як працюють сучасні системи LLM.
• Здатність працювати через межі серверної та зовнішньої інтерфейсів із достатнім знанням React/TypeScript, щоб допомогти зробити складні експерименти та результати зрозумілими для користувачів.
• Сильне експериментальне та аналітичне судження, особливо щодо розрізнення того, що докази демонструють, від того, що вони просто припускають.
• Висока відповідальність та ініціатива зі здатністю виявляти проблеми, пропонувати рішення та самостійно просувати проекти.
• Комфортна робота в швидкозмінному середовищі запуску, де пріоритети можуть швидко змінюватися, а інженери можуть виконувати різні функції.
• Досвід із визначенням походження моделі, зняттям відбитків пальців, водяним знаком, виявленням дистиляції, червоним об’єднанням, оцінкою безпеки, інтерпретацією чи схожими областями є перевагою.
• Досвід роботи з аналізом активації та репрезентації, зондуванням, гачками моделей, логітами, прихованими станами або іншими методами внутрішньої моделі є перевагою.
• Знайомство з інфраструктурою оцінювання та логічного висновку, такою як DSPy, LiteLLM, Temporal, Ray, vLLM, PostgreSQL/pgvector або подібними технологіями, є корисним.
• Досвід роботи з Next.js, React, TypeScript, візуалізацією даних або панелями експериментів є плюсом.
• Досвід запуску та обслуговування відкритих моделей на графічних процесорах, включаючи міркування про затримку, пропускну здатність, пам’ять, точність і компроміси вартості, є цінним.
• Досвід розробки конкурентних оцінок або систем тестування проти навмисних спроб уникнути виявлення є перевагою.
• Тверда відданість створенню якісного коду, тестів, інструментів і документації, якими інші інженери можуть впевнено працювати та розширювати.
Переваги:
• Можливість працювати над прикладним машинним навчанням на перетині досліджень, експериментів, розробки та продукту.
• Наскрізне володіння оцінкою моделі, внутрішніми елементами моделі, інфраструктурою, серверними системами та взаємодією з користувачем.
• Ознайомлення з сучасними відкритими моделями, системами логічного висновку LLM і новими методами верифікації ML.
• Роль зі значною технічною автономією та можливістю формувати як експерименти, так і виробничі системи.
• Швидко мінливе стартап-середовище зі змінними пріоритетами та міжфункціональною співпрацею.…
Джерело: Arbeitnow (https://www.arbeitnow.ch/jobs/companies/jobgether/applied-ml-engineer-switzerland-194961)
Це оголошення надходить із партнерського фіду. Подайте заявку на сайті джерела.
Джерело: Jobgether
Оголошення надано Jobgether.
