Mitglied des technischen Stabs, Machine Learning

UNTERNEHMEN A1 entwickelt einen proaktiven AI-Smart-Assistenten für den täglichen Gebrauch, um Intelligenz in Konversationen, Besorgungen, Organisation und Workflows zu bringen. Unser Produkt konzentriert sich darauf, eine hohe Zuverlässigkeit für lang laufende Workflows, persistente Kontexte und die Erledigung realer Aufgaben zu erreichen. Das System muss mehrschrittiges Reasoning beherrschen, mit externen Tools interagieren und trotz nicht-deterministischem Modellverhalten zuverlässig bleiben. ROLLE Als Mitglied des technischen Stabs, Machine Learning, werden Sie Kernkomponenten für ML entwickeln. Sie werden von Tag eins an an realen Produktionsystemen arbeiten und lernen, wie sich groß angelegtes ML außerhalb von Forschungsumgebungen verhält. Diese Rolle ist für Ingenieure, die durch das Versand-, Debuggen- und Iterieren von realer ML eine starke Systemurteilsfähigkeit entwickeln möchten. SCHWERPUNKT - Entwicklung und Verbesserung von ML-Komponenten über Daten, Training, Bewertung und Inferenz. - Feinabstimmung und Anpassung von Modellen als Teil größerer Produktionsysteme. - Implementierung von Bewertung und Testen, um das Modellverhalten zu verstehen. - Hilfe bei der Erstellung und Wartung von Datenpipelines für reale und synthetische Daten. - Debuggen von Modellproblemen, Leistungsproblemen und Produktionsvorfallen. - Iteratives Versenden von Verbesserungen und Lernen aus realen Benutzerfeedbacks. - Enge Zusammenarbeit mit erfahrenen ML-Ingenieuren und Produktteams. - Arbeiten unter realen Produktionsbeschränkungen: Latenz, Kosten, Zuverlässigkeit und Sicherheit TECH-STACK - Python - PyTorch / JAX - Produktions-ML-Systeme, die auf GPUs ausgeführt werden IDEALES PROFIL - Starke Grundlagen in Machine Learning und modernen neuronalen Architekturen. - Einige praktische Erfahrungen beim Trainieren, Feinabstimmen oder Deployen von ML-Modellen. - Komfortabel beim Schreiben von produktionsqualifiziertem Code und beim schnellen Lernen neuer Tools. - Neugierig, coachbar und begierig, von realen Systemen in der Produktion zu lernen. - In der Lage, durch Ambiguität mit Anleitung zu arbeiten und die Eigentümerschaft über die Zeit zu übernehmen. - Voreingenommen gegenüber dem Versand, der Iteration und der kontinuierlichen Verbesserung. ERFOLGSKRITERIEN - ML-Modelle in der Produktion erreichen die erwarteten Genauigkeits-, Latenz- und Zuverlässigkeitsziele. - Produktionsprobleme werden schnell identifiziert, effektiv debuggt und die Ursachen behoben. - Datenpipelines, TrainingsSchleifen und Inferenzsysteme sind robust, reproduzierbar und wartbar. - Effektive Zusammenarbeit mit Ingenieuren, Produkt- und Forschungsteams, um zuverlässige ML-gesteuerte Funktionen zu liefern. - Iterationen von Modellen und Systemen werden durch reale Welt-Signale und messbare Verbesserungen getrieben. UNSERE ARBEITSWEISE Die besten Produkte heute in der Welt wurden von kleinen, weltklasse-Teams entwickelt. Wir sind ein Team mit hoher Talentdichte und Hands-on-Mentalität. Wir treffen Entscheidungen kollektiv, bewegen uns mit hoher Geschwindigkeit und schlagen eine Balance zwischen dem Versand hochwertiger Arbeit und dem Lernen. Der Beitritt zu unserem Team erfordert die Fähigkeit, Struktur zu bringen, Urteilsfähigkeit auszuüben und unabhängig zu handeln. Unser Ziel ist es, unseren Benutzern ein wirklich magisches Produkt in die Hände zu legen BEWERBUNGSProzess Wenn es den Anschein hat, dass es eine Übereinstimmung gibt, werden wir Kontakt aufnehmen, um 3, aber nicht mehr als 4 Interviews zu vereinbaren. Bewerbungen werden von unseren technischen Teammitgliedern ausgewertet. Interviews werden per virtuellen Meetings und/oder vor Ort durchgeführt. Wir legen Wert auf Transparenz und Effizienz, daher können Sie mit einer prompten Entscheidung rechnen. Wenn Sie die außergewöhnlichen Fähigkeiten und die Denkweise, die wir suchen, demonstrieren, werden wir Ihnen ein Angebot machen, uns anzuschließen. Dies ist nicht nur ein Jobangebot, sondern eine Einladung, Teil eines Teams zu sein, das AI entwickelt, um praktische Vorteile für Milliarden von Menschen weltweit zu bieten.