Data scientist

Stack

Feladatok

• ▹Az Intermedia Digital Agent Platformját működtető gépi tanulási és generatív AI-megoldások fejlesztése, kiértékelése és javítása
• ▹Nagy nyelvi modellek (LLM), természetesnyelv-feldolgozás, visszakeresés és más fejlett AI-technikák alkalmazása az ágensek megértésének és teljesítményének javítására
• ▹Olyan megközelítések kidolgozása, amelyek javítják az ágensek érvelését, eszközválasztását, tudásvisszakeresését, kontextuskezelését, személyre szabását és feladatteljesítését
• ▹Modell-, prompt-, visszakeresési és ágenskonfigurációs stratégiák kipróbálása a legjobb ügyfél- és üzleti eredményt hozó megközelítések azonosítására
• ▹Kereskedelmi és nyílt forráskódú modellek értékelése és megfelelő megközelítések javasolása minőség, késleltetés, skálázhatóság és költség alapján
• ▹Retrieval-Augmented Generation (RAG) megoldások tervezése, fejlesztése és optimalizálása, amelyek a digitális ágenseket releváns vállalati és ügyféladatokhoz kötik
• ▹Beágyazások, visszakeresési stratégiák, rangsorolási megközelítések, szemantikus keresés és más tudás-visszakeresési technikák fejlesztése és kiértékelése
• ▹Végpontok közötti pipeline-ok építése és finomítása, amelyek LLM-eket kötnek össze visszakereső rendszerekkel, vállalati tudásforrásokkal és ágens-munkafolyamatokkal
• ▹Az AI által generált válaszok relevanciájának, pontosságának és következetességének javítása
• ▹Olyan problémák azonosítása és csökkentése, mint a hallucinációk, a gyenge visszakeresés, a nem megfelelő válaszok és a generatív AI-alkalmazások más hibamódjai
• ▹Szigorú kiértékelési keretrendszerek kidolgozása a digitális ágensek minőségének méréséhez: pontosság, relevancia, feladatteljesítés, megbízhatóság, biztonság és ügyfélélmény
• ▹Offline és online kísérletek tervezése modellek, promptok, visszakeresési stratégiák, ágenskonfigurációk és más AI-megközelítések összehasonlítására
• ▹Statisztikai elemzés, hipotézisvizsgálat, szegmentálás és más kvantitatív módszerek alkalmazása az AI teljesítményének értékeléséhez és a fejlesztési lehetőségek azonosításához
• ▹Megfelelő mérőszámok és összehasonlítási alapok meghatározása, amelyek a modell- és ágensteljesítményt az ügyfél- és üzleti eredményekhez kötik
• ▹Az éles viselkedés és a visszajelzések elemzése a minták, hibamódok és a digitális ágensek folyamatos javítási lehetőségeinek azonosítására
• ▹Az adat- és modellminőség biztosítása átfogó teszteléssel, validálással és teljesítményértékeléssel
• ▹Nagy mennyiségű strukturált és strukturálatlan adat gyűjtése, előfeldolgozása, elemzése és modellezése több forrásból
• ▹Python, SQL, Spark és más releváns technológiák használata skálázható elemző és gépi tanulási megoldások építéséhez
• ▹Jellemzők, adathalmazok és elemzési megközelítések fejlesztése a modellfejlesztés, kísérletezés és kiértékelés támogatására
• ▹Együttműködés adat- és mérnökcsapatokkal megbízható pipeline-ok építésében és karbantartásában a modellek tanításához, kiértékeléséhez és éles használatához
• ▹Hozzájárulás skálázható ML/AI pipeline-okhoz, amelyek a kísérletezést, telepítést, monitorozást és folyamatos fejlesztést támogatják
• ▹Annak biztosítása, hogy a megoldások reprodukálhatók, karbantarthatók és éles léptéken is hatékonyan működőképesek legyenek
• ▹Együttműködés a Product, AI/ML Engineering, Software Engineering és más data science csapattagokkal az ügyfél- és üzleti problémák hatékony AI-megoldásokká alakításában
• ▹Az elemzési megállapítások, a modellteljesítmény, a kompromisszumok és az ajánlások világos kommunikálása műszaki és nem műszaki érintetteknek
• ▹Részvétel műszaki és tervezési áttekintésekben, segítség az AI-kísérletezés, -kiértékelés és modellfejlesztés erős gyakorlatainak kialakításában
• ▹Kevésbé tapasztalt data scientistek mentorálása és támogatása, hozzájárulás a csapaton belüli tudásmegosztáshoz

Elvárások

• ▹Data Science, statisztika, számítástechnika, matematika, gépi tanulás, analitika vagy rokon kvantitatív területen szerzett alapdiploma; mesterdiploma előnyös
• ▹Legalább 4 év szakmai tapasztalat data science, gépi tanulás, alkalmazott AI vagy rokon elemző területen
• ▹Erős tapasztalat felügyelt és felügyelet nélküli gépi tanulási modellek fejlesztésében és valós problémákra alkalmazásában
• ▹Gyakorlati tapasztalat generatív AI-jal, nagy nyelvi modellekkel, NLP-vel vagy más modern AI-technológiákkal
• ▹Erős programozási készség Pythonban, valamint tapasztalat SQL-lel és nagy léptékű adatfeldolgozó technológiákkal
• ▹Tapasztalat modern gépi tanulási keretrendszerekkel, például PyTorch, TensorFlow, scikit-learn vagy egyenértékű technológiákkal
• ▹Erős ismeretek a statisztikai elemzésről, kísérletezésről, hipotézisvizsgálatról, modellkiértékelésről és teljesítménymérésről
• ▹Tapasztalat nagy mennyiségű strukturált és strukturálatlan adat kezelésében
• ▹Bizonyított képesség a bizonytalan problémák önálló megfogalmazására, elemzési megközelítések kidolgozására, alternatívák értékelésére és megvalósítható megoldások szállítására
• ▹Tapasztalat gépi tanulási vagy AI-megoldások kísérleteken túlra vitelében, valamint az éles környezetbeli telepítésükben és üzemeltetésükben való közreműködésben
• ▹Az éles AI-rendszerek modellminőségi, adatminőségi, torzítási, megbízhatósági és egyéb szempontjainak ismerete
• ▹Erős problémamegoldó és elemzői készség, amellyel a műszaki eredmények az ügyfél- és üzleti eredményekhez köthetők
• ▹Erős írásbeli és szóbeli kommunikációs készség: összetett elemzési és AI-fogalmak elmagyarázása műszaki és nem műszaki közönségnek
• ▹Képesség a hatékony együttműködésre a Data Science, AI/ML Engineering, Software Engineering, Product és üzleti csapatok között

Soft skillek

A munkáltatóról

Az Intermedia felhőalapú kommunikációs és együttműködési megoldások vezető szolgáltatója.