Gépi tanulási mérnök

Stack

Feladatok

• ▹Valós termékproblémákra ML-megoldások tervezése, fejlesztése, kiértékelése és fejlesztése tíz- és százmilliós felhasználói kör számára
• ▹Munka széles ML-területeken: ajánlórendszerek, személyre szabott feed, szemantikus keresés, szentiment-elemzés, NLP, LLM-alapú alkalmazások, klasszikus ML-problémák, esetleg számítógépes látás
• ▹ML-problémák végponttól végpontig tulajdonlása: az üzleti probléma megértésétől az adatfeltáráson át a modellépítésig és a rendszerbe integrálásig
• ▹Új ML-megoldások fejlesztése, meglévő rendszerek karbantartása és fejlesztése
• ▹LLM-alapú megoldások építése, közreműködés retrieval-augmented generation és más modern NLP-rendszerek tervezésében
• ▹Tiszta, karbantartható, tesztelhető, production-minőségű Python kód írása
• ▹Munka nagy adathalmazokkal Python és SQL segítségével, megbízható adat- és modell-workflow-k építése
• ▹Modellek szigorú kiértékelése, releváns metrikák kiválasztása, problémák (pl. overfitting) azonosítása

Elvárások

• ▹Erős alapok gépi tanulásban és szoftverfejlesztésben
• ▹Gyakorlati tapasztalat modern ML- és LLM-rendszerekkel
• ▹Képesség kritikusan gondolkodni arról, hogy egy adott problémára melyik megközelítés a megfelelő
• ▹Előnyben részesítik azokat a jelölteket, akik a beilleszkedési folyamatot a zágrábi irodából tudják teljesíteni

Előny

• ▹Tapasztalat számítógépes látás (computer vision) témakörben

Soft skillek

A munkáltatóról

A Sofascore sporttech vállalat, amelynek célja, hogy mélyebb megértést adjon a sportrajongóknak a mérkőzésekről. A platform a fejlett sportelemzések vezető szolgáltatója, 20 000+ tornát fed le 25 sportágban, saját Torneo torna-kezelő szoftverrel a kisebb ligák számára. A Sofascore Rating és az évad legjobb játékosának díja globálisan elismertté tette a céget a játékosteljesítmény-értékelésben. A csapat 300+ szakértőből áll 20 csapatban, elsősorban a horvátországi központban, de tehetségeik világszerte dolgoznak.