Portugal
ambi.
Bjak
Applied Machine Learning Engineer
RemotePortugal
Portugal
Python
Automatische Übersetzung. Prüfe das Original.
Über uns
Heute nutzen über 5 Milliarden Nutzer grundlegende Anwendungen wie E-Mail, Notizen, Aufgaben und Kalender, die nicht KI-nativ sind. Unsere Mission ist es, proaktive Anwendungen für jeden auf der Welt zu entwickeln, der nicht an komplexe Eingabeaufforderungen gewöhnt ist. Wir wollen Intelligenz in Gespräche, Erledigungen, Organisation und Arbeitsabläufe bringen, mit minimaler bis keiner Eingabeaufforderung.
Unsere erste Anwendung ist eine mobile Kommunikations-App, die auf Agenten basiert. Wir glauben, dass die Entwicklung von Anwendungen, die Nutzer täglich für Kommunikation, Koordination und Zusammenarbeit nutzen, dazu beitragen wird, KI in ihr Leben zu integrieren. Der Nettoeffekt besteht darin, Fehlinformationen zu eliminieren, niedrige Koordinationskosten zu erzielen, hochwertige Aufgaben und Zusammenarbeit im großen Maßstab mit minimaler oder geringer Eingabeaufforderung zu ermöglichen.
Wie wir arbeiten
Die besten Produkte der Welt werden von kleinen, erstklassigen Teams entwickelt. Wir sind ein Team mit hoher Talentdichte und Hands-on-Mentalität. Wir treffen Entscheidungen gemeinsam und bewegen uns schnell, wobei wir hochwertige Arbeit mit kontinuierlichem Lernen in Einklang bringen.
Der Beitritt zu unserem Team erfordert die Fähigkeit, Struktur zu schaffen, Urteilsvermögen auszuüben und unabhängig zu handeln. Unser Ziel ist es, unseren Nutzern ein wirklich magisches Produkt in die Hände zu geben.
Aufgaben
- Aufbau und Verbesserung von ML-Systemen, die unsere KI-nativen Anwendungen antreiben.
- Arbeit an Klassifizierung, Abruf, Ranking, Personalisierung und Evaluierung, wobei die Verantwortung vom Modellentwicklung bis zur Produktionsbereitstellung übernommen wird.
Diese Rolle richtet sich an Ingenieure, die praktische ML-Probleme lösen, die Modellqualität verbessern und zuverlässige Systeme ausliefern, die von echten Nutzern verwendet werden.
Schwerpunkte
- Aufbau und Verbesserung von ML-Modellen für Klassifizierung, Ranking, Abruf und Personalisierung.
- Entwicklung effizienter Klassifikatoren und Optimierung von Modellgenauigkeit, Präzision, Latenz und Kosten.
- Verbesserung der Suchrelevanz und des Kontextabrufs mithilfe von Embeddings, Hybrid-Suche und Reranking.
- Aufbau von Personalisierungsmodellen, die aus dem Nutzerverhalten lernen und gleichzeitig die Privatsphäre respektieren.
- Entwicklung von Evaluierungspipelines, gelabelten Datensätzen und Metriken zur Messung der Modellqualität.
- Feinabstimmung und Anpassung bestehender Modelle, wenn dies durch ausreichende Daten unterstützt wird.
- Aufbau und Wartung von ML-Trainings-, Inferenz- und Bereitstellungspipelines.
- Behebung von Produktionsproblemen, Überwachung der Modellleistung und Auslieferung von Verbesserungen basierend auf realem Feedback.
Technologie-Stack
- Python
- PyTorch / JAX
- Embeddings, Vektorsuche und Ranking-Modelle
- Produktions-ML-Systeme und Inferenz-Pipelines
Ideale Erfahrung
- Starke Grundlagen in machine learning und modernen neuronalen Architekturen.
- Praktische Erfahrung im Aufbau und der Bereitstellung von ML-Modellen in der Produktion.
- Erfahrung in Klassifizierung, Ranking, Abruf, Empfehlungssystemen oder Personalisierung.
- Verständnis von Modellbewertung, Experimenten und Leistungsmetriken.
- Komfort beim Schreiben von produktionsreifem Code und Arbeiten mit realen Datensätzen.
- Fähigkeit, Modellqualität, Latenz, Kosten und Zuverlässigkeit auszubalancieren.
- Starkes Verantwortungsbewusstsein, Problemlösungsfähigkeiten
Ergebnisse
- ML-Modelle in der Produktion erfüllen die erwarteten Ziele für Genauigkeit, Relevanz, Latenz und Zuverlässigkeit.
- Verbesserungen bei Klassifizierung und Ranking liefern messbare Gewinne in der Modellqualität.
- Evaluierungspipelines identifizieren Regressionen und unterstützen zuverlässige Modellfreigaben.
- Trainings-, Inferenz- und Datenpipelines sind robust, reproduzierbar und wartbar.
- Modellverbesserungen werden durch reales Feedback und messbare Ergebnisse vorangetrieben.
- Effektive Zusammenarbeit mit Ingenieur- und Produktteams zur Bereitstellung zuverlässiger ML-gestützter Funktionen.
Interviewprozess
Wenn eine Passung besteht, werden wir uns melden, um 3, aber nicht mehr als 4, Interviews zu planen.
Bewerbungen werden von unseren technischen Teammitgliedern bewertet. Interviews werden virtuell und/oder vor Ort durchgeführt.
Wir legen Wert auf Transparenz und Effizienz, daher können Sie mit einer schnellen Entscheidung rechnen. Wenn Sie die außergewöhnlichen Fähigkeiten und die Denkweise, nach denen wir suchen, unter Beweis gestellt haben, werden wir Ihnen ein Angebot zur Zusammenarbeit unterbreiten.
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