Kutatómérnök, gépi tanulási rendszerek

Stack

Feladatok

• ▹Horizontálisan skálázható rendszerek tervezése és üzemeltetése, amelyek felgyorsítják az STT/TTS modellek teljes tréning-életciklusát
• ▹Adatelőkészítés és -kezelés, nagy áteresztőképességű tréning-pipeline-ok és automatizált kiértékelő eszközök optimalizálása
• ▹Belső felületek és eszközök tervezése és fejlesztése, amelyek az ML-workflow-kat nem technikai kollégák számára is elérhetővé teszik
• ▹Tréning-eszközök, job-orchestráció, kísérletkövetés és adattárolás felügyelete

Elvárások

• ▹Erős tapasztalat az ML-kutatási pipeline-ban, különösen STT vagy más beszéd-domainekben
• ▹Tapasztalat új architektúrák/modellezési megközelítések kiértékelésében és nagy skálájú tréningrendszerek implementálásában
• ▹Jártasság orchestrációs/infrastruktúra eszközökben, mint a Kubernetes, Docker és Prefect
• ▹ML lifecycle eszközök (pl. MLflow) ismerete
• ▹Tapasztalat belső eszközök vagy dashboardok építésében nem technikai felhasználók számára
• ▹Gyakorlati adatmérnöki tapasztalat strukturálatlan hang- és szövegadatokkal

Előny

• ▹Komfortos munkavégzés cross-funkcionális csapatokban kutatókkal, mérnökökkel és termékfelelősökkel

Soft skillek

A munkáltatóról

A Deepgram a gyorsan növekvő, billió dolláros Voice AI piac vezető platformja: valós idejű API-kat kínál beszéd-szöveg (STT) és szöveg-beszéd (TTS) átalakításra, valamint éles, nagy skálázhatóságú hangalapú AI-ügynökök építésére. Több mint 200 000 fejlesztő és 1300+ szervezet épít hangalapú megoldásokat a Deepgram technológiájára, köztük a Twilio, a Cloudflare és a Sierra is. A cég friss Series C körrel a háta mögött már 50 000+ év hanganyagot dolgozott fel és 1000 milliárd szónál is többet írt át.