Portugal
Jolera
Aghanim
Founding ML Engineer, Post-Training
Portugal
Lisbon, Portugal · Belgrade, Central Serbia, Serbia
TypeScriptPythonSQLGCP
Automatische Übersetzung. Prüfe das Original.
Über die Stelle
Aghanim ist eine integrierte Plattform für Handel, Liveops-Automatisierung, Community-Engagement und Zahlungen für Videospiele.
Mobile Spiele sind traditionell von App-Stores für Vertrieb, Zahlungen und Kundenbeziehungen abhängig. Wir glauben, dass es einen besseren Weg gibt. Aghanim hilft Spielestudios dabei, direkte Beziehungen zu Spielern aufzubauen, direkt zu verkaufen und ihre Zukunft zu ihren eigenen Bedingungen zu gestalten. Heute bauen bereits mehr als 100 Spiele weltweit mit Aghanim an dieser Zukunft.
Unser Team vereint Menschen aus Los Angeles, New York, Seoul, Peking, London, Lissabon, Belgrad und anderen Standorten rund um den Globus mit fundierter Expertise in den Bereichen Gaming, Fintech und Technologie. Wir arbeiten schnell, kommunizieren direkt und konzentrieren uns darauf, Dinge umzusetzen. Wir sind davon überzeugt, dass die besten Talente dann aufblühen, wenn sie Autonomie, Eigenverantwortung und einen Anteil am Erfolg des Unternehmens haben.
Wir suchen einen Founding ML Engineer auf Senior- oder Principal-Ebene, der den Übergang von Newton, dem KI-Produkt von Aghanim für Partner, von proprietären Modell-APIs zu Modellen unter unserer eigenen Kontrolle leitet.
Newton läuft bereits produktiv auf Frontier-Modellen. Sie verantworten die Modellschicht von Anfang bis Ende: Datenerfassung, Evaluierung, Post-Training, Serving und Rollout. Das Ziel ist es, die Qualität, auf die sich unsere Partner verlassen, zu bewahren und gleichzeitig Kosten zu senken, die Geschwindigkeit zu verbessern und Partnerdaten innerhalb unserer Infrastruktur zu halten.
Sie arbeiten eng mit dem Produktteam zusammen, um dessen Verhalten und die Erwartungen der Partner zu verstehen, und definieren anschließend eigenständig den technischen Ansatz und die Prioritäten. Entscheidungen über Training, Routing und Modellaustausch sollten durch Produktionsdaten und Evaluierungen gestützt werden.
Hauptverantwortlichkeiten
- Aufbau von Produktions-Datenpipelines, die versionierte Anweisungen, Tool-Aufrufe, Ausgaben, Kosten und Ergebnisse erfassen, inklusive Anonymisierung, Löschung auf Partnerebene und Expertenkorrekturen.
- Entwicklung von Benchmarks, Regressionstests sowie codebasierten und LLM-gestützten Evaluatoren unter Verwendung realer Newton-Läufe, um faktische Genauigkeit, Tool-Nutzung, Antwortqualität, Kosten und Latenz zu messen.
- Vergleich von Frontier- und Open-Weight-Modellen, Zuweisung von Aufgaben an geeignete Modelle sowie Identifizierung der Bereiche, in denen Prompting, Destillation oder Post-Training die besten Ergebnisse liefern.
- Training und Anpassung von Modellen mittels Destillation, SFT, LoRA/QLoRA und DPO auf Basis akzeptierter Trajektorien und Expertenfeedback; Einsatz von RL, wenn einfachere Ansätze nicht ausreichen.
- Bereitstellung von Modellen hinter der bestehenden Schnittstelle von Newton, Validierung durch Shadow-Runs und Steuerung des Rollouts basierend auf Qualitäts-Benchmarks und Serving-Wirtschaftlichkeit.
Tech-Stack: Python, TypeScript, SQL, selbst gehostetes Langfuse, TRL / Unsloth / Axolotl oder verwaltete Trainingsplattformen, vLLM, serverlose GPUs, GCP / Modal; Open-Weight-Modelle einschließlich Qwen, Gemma, DeepSeek und GLM.
Erforderliche Qualifikationen
- Praktische Erfahrung im Post-Training von LLMs und deren Bereitstellung in der Produktion unter Verwendung von SFT, LoRA/QLoRA, DPO und Destillation.
- Erfahrung im Aufbau von Evaluierungssystemen aus Produktionsdaten, einschließlich Offline-Benchmarks, Regressions- und Verhaltenstests sowie codebasierten und LLM-gestützten Evaluatoren.
- Verständnis von agentischen Systemen, einschließlich Tool-Aufrufen, mehrstufigen Trajektorien, strukturierten Ausgaben und den Auswirkungen von Änderungen am zugrunde liegenden Modell.
- Praktische Erfahrung im Serving von Modellen mit vLLM oder ähnlichen Tools, Quantisierung und GPU-Deployment, einschließlich Latenz-, Cold-Start- und Kosten-Abwägungen.
- Starke Produktionskenntnisse in Python und SQL, mit ausreichenden TypeScript-Kenntnissen, um Produktcode und Instrumentierung eigenständig zu modifizieren.
- Fähigkeit, Produktverhalten und Benutzererwartungen zu verstehen, in messbare Qualitätsanforderungen zu übersetzen und zu entscheiden, wann Training gerechtfertigt ist.
- Erfahrung darin, einen technischen Bereich eigenständig zu verantworten, Prioritäten zu setzen und sich in einer unbekannten Codebasis sowie deren Designdokumenten zurechtzufinden.
- Regelmäßige Nutzung von KI-Coding-Agenten mit einem klaren Ansatz zur Überprüfung ihrer Ergebnisse.
Bevorzugte Qualifikationen
- Erfahrung bei der Migration eines Produktionsprodukts von proprietären Modell-APIs zu selbst gehosteten oder Open-Weight-Modellen.
- Erfahrung mit RL für LLMs, insbesondere GRPO mit automatischen Verifizierern.
- Vertrautheit mit Langfuse, Braintrust oder ähnlichen Tracing- und Evaluierungstools.
- Erfahrung mit GCP, einschließlich Vertex AI, Cloud Run GPU und BigQuery.
- Interesse an Spielmonetarisierung und Analytik.
Warum Sie bei uns einsteigen sollten
- Weltklasse-Team – arbeiten Sie mit erfahrenen Fachleuten aus der ganzen Welt zusammen, die Produkte entwickelt haben, die von Millionen von Spielern genutzt werden.
- Hohes Wachstum, hohe Wirkung – seien Sie Teil eines schnell wachsenden Unternehmens, in dem Ideen in Tagen, nicht Monaten, zu Produkten werden und Kunden erreichen.
- Autonomie und Eigenverantwortung – wir vertrauen darauf, dass unsere Mitarbeiter Entscheidungen treffen, Initiative ergreifen und Ergebnisse vorantreiben.
- Moderne Tools und Technologie – nutzen Sie KI, Automatisierung und moderne Werkzeuge als Teil Ihrer täglichen Arbeit.
- Equity – partizipieren Sie am Wachstum und langfristigen Erfolg des Unternehmens.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen