Científico de Datos - Experiencias Inteligentes, MLO

¿Crees que el machine learning y la IA pueden cambiar el mundo? Nosotros sí. Somos el equipo de datos de ML dentro del grupo de Experiencia de Sistemas Inteligentes (ISE) de Apple, y construimos los conjuntos de datos de alta calidad y a gran escala que entrenan las características de ML en muchos productos de Apple — iPhone, iPad, Mac, Apple Watch y AirPods. Nuestro trabajo está detrás de algunas de las experiencias más visibles y personales que Apple lanza: el fondo de pantalla en tu pantalla de bloqueo, pegatinas personalizadas en iMessage, Genmoji en el dispositivo y otros modelos generativos de Inteligencia de Apple, y modelos que reconocen caras y construyen recuerdos de las personas que amas en Fotos. Buscamos un científico de datos apasionado por los datos de ML y entusiasmado por dar forma a los datos de entrenamiento detrás de la próxima generación de características multimodales de Apple. El candidato ideal prospera en un entorno de ritmo rápido, aporta un razonamiento científico riguroso y se encarga de los problemas de principio a fin. Únete a nosotros y darás forma a productos que se lanzan desde tu primera semana, trabajando con petabytes de datos multimodales.

Diseñarás y operarás el ciclo de vida de datos de extremo a extremo que soporta el entrenamiento, el ajuste fino y la evaluación de modelos de lenguaje grandes y modelos de difusión. En el día a día, eso significa construir pipelines distribuidos que limpian, desduplican y enriquecen enormes conjuntos de datos multimodales; establecer pipelines de generación de datos sintéticos con generadores, validadores y jueces basados en LLM; e ingeniar flujos de trabajo agénticos — sistemas de LLM de múltiples pasos y que utilizan herramientas — que escalan el juicio humano a través de muchos más datos de los que un equipo humano podría revisar directamente.

Grado o Máster en Ciencias de la Computación, Machine Learning, Ciencia de Datos o un campo de ingeniería relacionado con 5+ años de experiencia práctica aplicando NLP, visión por computadora o machine learning multimodal a sistemas de producción, incluida la experiencia con pipelines de datos a gran escala.

Experiencia en prompting, ajuste fino y evaluación de LLMs o modelos de lenguaje-visión/difusión para tareas específicas posteriores.

Experiencia con ajuste fino eficiente de parámetros (LoRA/QLoRA), optimización de preferencias (RLHF, DPO), RAG y curación de datos basada en recuperación.

Experiencia en el diseño, evaluación y producción de algoritmos de ciencia de datos utilizados para la curación de datos, filtrado de datos, desduplicación y selección de datos.

Experiencia en el diseño de experimentos controlados o estudios de ablación para comprender el efecto de los datos en la calidad del modelo.

Experiencia en la construcción de sistemas de LLM agénticos o multi-agente, que utilizan herramientas, y flujos de trabajo con intervención humana, calibrando jueces con etiquetas humanas y mitigando modos de fallo.

Sólidas habilidades de ingeniería de software, con 5+ años en Python, orquestación de flujos de trabajo (Airflow), plataformas en la nube (AWS, GCP), frameworks de procesamiento de datos distribuidos (Spark, Ray o similar) a gran escala.

Un historial de publicaciones o contribuciones de código abierto en NLP, visión por computadora o IA generativa es una ventaja.

Familiaridad con técnicas de datos que preservan la privacidad (por ejemplo, privacidad diferencial, restricciones de datos en el dispositivo) es una ventaja.