Senior Machine Learning mérnök, Agent Oversight csapat

Stack

Feladatok

• ▹Az agentek éles viselkedésének megfigyelhetőségét biztosító eszközök építése vagy fejlesztése – olyan instrumentáció, amely megmutatja, mit csinál valójában az agent, nem csak azt, hogy sikeres volt-e vagy sem
• ▹Kiértékelési módszertanok és metrikák tervezése agentikus alkalmazásokhoz, együttműködés a platformcsapattal, hogy ezek automatikusan, nagy léptékben fussanak különböző ügyfélhasználati esetekben
• ▹ML rendszerek építése, szállítása és tulajdonlása, amelyek drift-et, anomáliát vagy elhajlást (misalignment) érzékelnek az éles agent-viselkedésben – az első prototípustól a megbízható éles működésig
• ▹Szigorú kísérletek tervezése és futtatása a modell- és agent-teljesítményjavulások validálására bevezetés előtt
• ▹Együttműködés szoftvermérnökökkel ott, ahol a munka a szélesebb platforminfrastruktúrával érintkezik
• ▹Szoros együttműködés termékmenedzserekkel, ügyfelekkel, adatannotátorokkal és forward-deployed mérnökökkel, vállalati és kormányzati igények platformképességekké alakítása
• ▹Hozzájárulás új módszerekhez az agent-kiértékelés és -fejlesztés terén, vagy megbízhatóan skálázódó ML rendszerek építése éles környezetben

Elvárások

• ▹5+ év tapasztalat ML mérnökként vagy alkalmazott kutatóként, ideálisan éles ML vagy LLM-alapú rendszeren – nem csupán harmadik féltől származó ML API fogyasztása egy funkción belül
• ▹Erős alapok legalább kettőben a következők közül: kiértékelési, monitorozási vagy folyamatos tanulási infrastruktúra építése/skálázása; agent-rendszerek tervezési tapasztalata (architektúra, orchestráció, tool use); új módszerek, reward modellek vagy modell-tanítási/finomhangolási megközelítések fejlesztése
• ▹Gyakorlati tapasztalat LLM-ekkel és agent-architektúrákkal – tool use, tervezés, multi-agent orchestration
• ▹Komfortos együttműködés szoftvermérnökökkel kutatás és kísérleti munka éles termékké alakításában, nem csak egyszeri elemzések szállítása
• ▹Szigorú kísérletezési megközelítés: világos hipotézisek, valódi statisztikai megalapozottság, vizsgálatot kiálló eredmények
• ▹Bizonyított tapasztalat kereszfunkcionális együttműködésben (termék, forward-deployed engineering stb.) kétértelmű követelmények kezelésében és élesítésében
• ▹Közvetlen, tartalmas visszajelzés adása tervekről és kódról, ugyanígy fogadása is, valamint mások mentorálása fejlődésük során

Előny

• ▹Tapasztalat RLHF, SFT vagy más finomhangolási/RL workflow-k, reward modeling vagy verifiable-reward rendszerek építésében vagy azokhoz való hozzájárulásban
• ▹Tapasztalat modell- vagy rendszeroptimalizálásban (latencia, költség vagy inferencia-hatékonyság)
• ▹Publikált kutatás, nyílt forráskódú hozzájárulás vagy szabadalom agentikus rendszerek, LLM-ek vagy alkalmazott ML területén
• ▹Tapasztalat szabályozott vagy vállalati környezetben
• ▹Bizonyított tapasztalat egy új módszer prototípusból megbízható éles működésbe való eljuttatásában
• ▹Tapasztalat mások technikai terveinek áttekintésében vagy senior/staff szintű mérnökök mentorálásában

Soft skillek

Amit kínálunk

• ▹A kompenzáció alapbérből, részvényjuttatásból és egyéb juttatásokból áll
• ▹Átfogó egészség-, fog- és látásbiztosítás
• ▹Nyugdíj-juttatások
• ▹Tanulási és fejlődési támogatás (stipend)
• ▹Bőkezű fizetett szabadság
• ▹Ingázási támogatás a jogosult pozíciókban

A munkáltatóról

A Scale AI célja megbízható AI-rendszerek fejlesztése a világ legfontosabb döntéseihez. Az Applied Intelligence Systems csapat, amely a Scale Generative AI Platform (SGP) része, azt az infrastruktúrát és eszközkészletet építi, amely a termelésben futó agentikus AI-t hajtja, alkalmazott ML-kutatással, tervezéssel és kiértékeléssel kiegészítve, vállalati és közszférás ügyfeleket egyaránt kiszolgálva.