Gépi tanulási mérnök – modelloptimalizálás

Stack

Feladatok

• ▹Gépi tanulási modellek profilozása és elemzése a számítási, memória- és adatmozgási szűk keresztmetszetek azonosítására
• ▹A modell kimeneti minősége és a számítási költség (késleltetés, áteresztőképesség, memóriaigény) közti kompromisszumok vizsgálata
• ▹Módszertanok kidolgozása hardverfüggő modelloptimalizáláshoz és neurális architektúra-kereséshez, valós hardvermérések használatával optimalizálási célként (célplatform lehet CPU, GPU és dedikált AI-gyorsító)
• ▹Modelloptimalizálási technikák (kvantálás, vegyes pontosságú inferencia, desztilláció és egyéb modelltömörítés) alkalmazása
• ▹Az optimalizálási technikák által okozott numerikus eltérések elemzése
• ▹Modellexportáló, benchmarkoló és telepítő pipeline-ok fejlesztése és karbantartása különböző keretrendszerek és inferencia-futtatókörnyezetek (PyTorch, ONNX, TensorRT) között
• ▹Különböző telepítési stratégiák értékelése és annak eldöntése, hogyan képezhetők le a modellek heterogén feldolgozóegységekre (CPU, GPU, dedikált AI-gyorsítók)
• ▹Együttműködés gépi tanulási kutatókkal hardverfüggő modellarchitektúrák fejlesztésében és értékelésében

Elvárások

• ▹A gépi tanulás és a mély neurális hálók architektúráinak alapos ismerete, gyakorlati tapasztalat modellfejlesztésben keretrendszerekkel, például PyTorch-csal
• ▹Python programozási jártasság
• ▹Tapasztalat a neurális hálók számítási jellemzőinek elemzésében és annak megértésében, hogyan hat a modellarchitektúra az inferencia teljesítményére
• ▹Ismeret olyan technikákról, mint az architektúra-keresés, a modellskálázás, a kvantálás, a vegyes pontosságú inferencia, a tudásdesztilláció vagy más modelltömörítési módszerek
• ▹Tapasztalat gépi tanulási inferencia- és telepítési technológiákkal, például ONNX, TensorRT vagy hasonló keretrendszerekkel
• ▹Az ML-telepítési verem rétegeinek átlátása a modellarchitektúrától és a számítási gráfoktól az inferencia-futtatókörnyezetekig és a hardveres végrehajtásig
• ▹Szakmai szoftverfejlesztési gyakorlatok és eszközök ismerete: Git, egységtesztelés, hibakeresés, profilozás
• ▹Erős kommunikációs készség a gépi tanulási kutatás, a beágyazott szoftver és a termékfejlesztés csapatai közti együttműködéshez
• ▹Folyékony angol és francia nyelvtudás írásban és szóban
• ▹Önéletrajz benyújtása angolul

Előny

• ▹Modern C++ ismerete
• ▹CUDA/OpenCL ismerete
• ▹Tapasztalat gépi tanulási modellek beágyazott rendszerekben való telepítésében
• ▹Tapasztalat csapattagok mentorálásában a szoftverfejlesztésről és a bevált gyakorlatokról

Soft skillek

Amit kínálunk

• ▹Hatás gyakorlása egy fiatal, kockázati tőkével támogatott cégnél egy formálódó piacon
• ▹Versenyképes fizetés évi 75 000 és 90 000 euró között, tapasztalattól függően, valamint részvényopció
• ▹Hibrid munkarend: heti 3 nap irodában (hétfő, kedd, csütörtök), a többi napon bárhonnan végezhető munka
• ▹Modern, teljesen felszerelt iroda Párizs szívében
• ▹Ingázási támogatás (a tömegközlekedés részleges megtérítése, ahol alkalmazható)
• ▹Támogatott étkezési utalvány (ticket restaurant)
• ▹Wellness Pass (korábban Gymlib)

A munkáltatóról

A Zendar radarközpontú autonómia-megoldást fejleszt, amely bármely járművet – az autóktól a robotokig – önvezetővé tesz bármilyen környezetben. A teljes rendszert házon belül építették fel, a radarérzékelő hardvertől a jelfeldolgozáson és a multimodális észlelési modelleken át az útvonaltervezésig. A felvételi folyamat szándékosan emberi: minden önéletrajzot valódi személy néz át.