Senior Manager, Applied AI Research

Stack

Feladatok

• ▹Gyakorlati technikai vezetés több alkalmazott AI-munkafolyamatban: kis nyelvi modellek, megerősítéses tanulás, ágens-alapú AI, számítógépes látás és klasszikus ML
• ▹Architektúra-, modellezési és éles bevezetési döntések irányítása a kutatómérnök-csapattal
• ▹3-5 kutatómérnökből álló kis csapat vezetése, mentorálása és fejlesztése, beleértve a toborzást, teljesítménymenedzsmentet, karrierfejlesztést és a napi technikai coachingot
• ▹A csapat fókuszban, akadálymentesen és eredményorientáltan tartása
• ▹Személyes részvétel a legnehezebb feladatokban: új megközelítések prototipizálása, modelltervek átnézése és javítása, tanítási futtatások hibakeresésének segítése GPU-klasztereken
• ▹A csapat kutatási és mérnöki minőségi mércéjének meghatározása
• ▹A saját terület teljes alkalmazott AI életciklusának felelőse: a problémameghatározástól és adatstratégiától a modellek tanításán, finomhangolásán és értékelésén át az 500 millió feletti felhasználót kiszolgáló éles rendszerek üzemeltetéséig, megfigyeléséig és folyamatos fejlesztéséig
• ▹Az „always ship to production” csapatelv képviselete, együttműködés a Platform, MLOps és Product Engineering csapatokkal a modellek üzembe helyezése, monitorozása és mérhető javítása érdekében
• ▹Üzleti és biztonsági prioritások lefordítása konkrét alkalmazott AI ütemtervre, a prioritások sorba állítása több területen
• ▹A kompromisszumok kommunikálása a felső vezetés felé, jelentés a szállításról, a modellteljesítményről és a hatásról
• ▹Csapatgyakorlatok kialakítása és fejlesztése a kísérletkövetésre, modellértékelésre, reprodukálhatóságra, kódátnézésre és felelős AI-ra nagy téttel bíró kiberbiztonsági környezetben

Elvárások

• ▹M.Sc. vagy Ph.D. informatikából, gépi tanulásból, matematikából vagy rokon kvantitatív területről, vagy azzal egyenértékű gyakorlati tapasztalat igazolt mélytanulási szakértelemmel
• ▹Legalább 5 év gyakorlati tapasztalat gépi tanulási és mélytanulási rendszerek éles építésében és üzemeltetésében
• ▹2-3+ év tapasztalat kis ML / kutatómérnök-csapat vezetésében, technikai irányításért, szállításért, toborzásért és fejlesztésért felelősen több alkalmazott AI területen
• ▹Mély gyakorlati szakértelem több alkalmazott AI területen, például modern transzformer-alapú kis nyelvi modellek, megerősítéses tanulás (PPO, DQN, Actor-Critic és változatai), ágens-alapú / eszközhasználó LLM-rendszerek, számítógépes látás vagy klasszikus ML
• ▹Képesség az adott problémához megfelelő technika kiválasztására ahelyett, hogy egyetlen megközelítést használnál mindenre
• ▹Kiváló Python- és PyTorch-tudás
• ▹Tapasztalat modellek tanításában és finomhangolásában több GPU-s klasztereken olyan keretrendszerekkel, mint a DeepSpeed, az FSDP vagy a Hugging Face Accelerate
• ▹Erős matematikai alapok lineáris algebrából, optimalizálásból, valószínűségszámításból és statisztikából, friss kutatási megközelítések olvasásának, értékelésének és megvalósításának képességével
• ▹Igazolt tapasztalat AI-modellek éles üzemig vitelében: adatcsatornák, értékelő keretrendszerek, kvantálás / tömörítés, inferencia-optimalizálás, konténeres, Kubernetes- és felhős üzembe helyezés, üzembe helyezés utáni monitorozás
• ▹Tapasztalat MLOps- és kísérletkezelő eszközökkel, például Weights & Biases, MLflow vagy hasonló
• ▹Tapasztalat a modern szoftverfejlesztési gyakorlatokkal: CI/CD, kódátnézés, megfigyelhetőség
• ▹Bizonyított képesség kis technikai csapat vezetésére: irányadás, hatékony 1:1 beszélgetések, konkrét visszajelzés, erős mérnökök toborzása, kétértelmű üzleti problémák szállítható AI-rendszerekké alakítása
• ▹Folyékony angol nyelvtudás a nemzetközi kutatási és mérnöki szervezetben való kommunikációhoz
• ▹Gyakorlatias technikai vezetői stílus és hajlandóság a kód, a modellek és az éles rendszerek közelében maradni
• ▹Játékos-edző szemlélet: a technikai problémamegoldás és az emberi vezetés összekapcsolása
• ▹Erős szállítási és éles mérési szemlélet
• ▹Kiváló ítélőképesség alkalmazott AI lehetőségek portfóliójának értékelésekor: mikor érdemes új megközelítésbe fektetni, és mikor a legegyszerűbb működő megoldást választani
• ▹Világos kommunikáció, amellyel az összetett ML-fogalmakat döntésekké és kompromisszumokká fordítod termék-, biztonsági és vezetői érdekelt feleknek
• ▹Képesség gyors tempójú, bizonytalan, high-tech környezetben, összetett keresztfunkcionális problémák nyugodt, strukturált kezelésére

Előny

• ▹Publikációk vezető ML-konferenciákon, például NeurIPS, ICML, ICLR, ACL vagy CVPR
• ▹Alkalmazott AI tapasztalat kiberbiztonságban, adatvédelemben vagy identitásvédelemben
• ▹JAX- vagy TensorFlow-tapasztalat

Soft skillek

Amit kínálunk

• ▹Rugalmas munkavégzési lehetőségek és szabadság
• ▹Versenyképes fizetés, juttatások és jóléti programok

A munkáltatóról

A Gen globális vállalat, amely olyan megbízható fogyasztói márkákon keresztül szolgálja a digitális szabadságot, mint a Norton, az Avast, a LifeLock és a MoneyLion. Kiberbiztonsági, online adatvédelmi, identitásvédelmi és pénzügyi jóléti megoldásai közel 500 millió felhasználót érnek el több mint 150 országban.