Alapozó adatmérnök

Feladatok

• ▹A modellek javítása a hardvertervezési, verifikációs és EDA-munkafolyamatokban minden lehetséges eszközzel
• ▹Az adat-flywheel tulajdonlása saját agens-futtatásokból: rejection sampling, disztilláció, eval-teljesítő trajektóriák bányászata
• ▹Hardvertervezéshez, verifikációhoz és EDA-workflow-khoz releváns adathalmazok azonosítása, kiértékelése és beszerzése
• ▹Minőségi standardok meghatározása verifikációs mérnökökkel közösen: rubrikák, golden referencia-példák kurálása
• ▹Adat-beviteli pipeline-ok üzemeltetése, minőségi regresszió és lefedettségi hiányok figyelése
• ▹Ügyféladat-partnerségek tárgyalása on-prem és föderált infrastruktúrán, redakció és IP-korlátok kezelése
• ▹Csapatépítés, ahogy az adat-csapat növekszik: szintetikus adat, verifikációs szakértői kurálás, adatinfrastruktúra

Elvárások

• ▹Épített vagy használt adat-flywheel: modell-kimenetek kurálva a következő tanítási körbe
• ▹Az adatbeszerzést mérnöki problémaként kezeli: szisztematikus, mérhető, eredmény-vezérelt megközelítés
• ▹Szállított szintetikus adat- vagy tanítóadat-pipeline, amely mérhető downstream modelljavulást eredményezett
• ▹Képes önállóan értékelni az adatminőséget, zaj, torzítás és hiányosságok felismerése
• ▹Kényelmes munkavégzés több technikai szerepkör között, domain-szakértők, ML-mérnökök és pipeline-mérnökök visszajelzéseinek szintetizálása
• ▹Szervezett, dokumentáció-orientált: eredetet, tulajdonjogot és leszármazást szokásszerűen nyomon követi

Előny

• ▹Tapasztalat adatbeszerzésben különféle forrásokból, fizetős és ingyenes egyaránt, beszállítói kapcsolatok kezelése
• ▹Jártasság SystemVerilogban, Verilogban és UVM-ben
• ▹Háttér kód-modell vagy agens tanítóadat-pipeline-okban (pl. SWE-bench-stílusú adat, kód-modell post-training)
• ▹Tapasztalat automatizált adatgyűjtésben, web scrapingben vagy nagy skálájú korpuszkurálásban
• ▹Korábbi munka startupnál vagy gyorsan mozgó kutatási környezetben, ahol az adatstratégia még formálódott

Soft skillek

A munkáltatóról

A Normal Computing olyan félvezetőket épít, amelyek a hőzajt akadály helyett számítási erőforrássá alakítják — sztochasztikus, memórián belüli, aszinkron architektúrával 10-100-szor több AI-inferenciát érnek el dollárra és wattra vetítve. A cég a teljes stacket együtt tervezi: AI-natív EDA-rendszereket a legnagyobb félvezetőgyártókkal, és az ezek által lehetővé tett fejlett ASIC-eket. Több mint 85 millió dolláros befektetést kapott vezető deep-tech befektetőktől, csapata New York, Silicon Valley, London, Koppenhága és Szöul városaiban dolgozik.