Cientista de Dados - Experiências Inteligentes, MLO

Você acredita que machine learning e IA podem mudar o mundo? Nós acreditamos. Somos a equipe de Dados de ML dentro do grupo de Experiência de Sistemas Inteligentes (ISE) da Apple, e construímos os datasets de alta qualidade e alta escala que treinam os recursos de ML em muitos produtos da Apple — iPhone, iPad, Mac, Apple Watch e AirPods. Nosso trabalho está por trás de algumas das experiências mais visíveis e pessoais que a Apple lança: o papel de parede na sua Tela Bloqueada, adesivos personalizados no iMessage, Genmoji no dispositivo e outros modelos generativos de Inteligência Apple, e modelos que reconhecem rostos e constroem memórias das pessoas que você ama em Fotos. Estamos procurando um cientista de dados apaixonado por dados de ML e animado para moldar os dados de treinamento por trás da próxima geração de recursos multimodais da Apple. O candidato ideal prospera em um ambiente de ritmo acelerado, traz raciocínio científico rigoroso e assume problemas de ponta a ponta. Junte-se a nós e você moldará produtos em lançamento a partir da sua primeira semana, trabalhando com petabytes de dados multimodais.

Você projetará e operará o ciclo de vida de dados de ponta a ponta que suporta o treinamento, ajuste fino e avaliação de modelos de linguagem grandes e modelos de difusão. No dia a dia, isso significa construir pipelines distribuídos que limpam, deduplicam e enriquecem enormes datasets multimodais; configurar pipelines de geração de dados sintéticos com geradores, validadores e juízes baseados em LLM; e engenheirar fluxos de trabalho de agentes — sistemas de LLM multi-etapas que usam ferramentas — que escalam o julgamento humano em muito mais dados do que uma equipe humana poderia revisar diretamente.

Bacharelado ou Mestrado em Ciência da Computação, Machine Learning, Ciência de Dados ou um campo de engenharia relacionado com 5+ anos de experiência prática aplicando NLP, visão computacional ou machine learning multimodal a sistemas de produção, incluindo experiência com pipelines de dados em larga escala.

Experiência em prompting, ajuste fino e avaliação de LLMs ou modelos de visão-linguagem/difusão para tarefas específicas de downstream.

Experiência com ajuste fino eficiente de parâmetros (LoRA/QLoRA), otimização de preferência (RLHF, DPO), RAG e curadoria de dados baseada em recuperação.

Experiência em projetar, avaliar e colocar em produção algoritmos de ciência de dados usados para curadoria de dados, filtragem de dados, deduplicação e subseleção de dados.

Experiência em projetar experimentos controlados ou estudos de ablação para entender o efeito dos dados na qualidade do modelo.

Experiência na construção de sistemas de LLM de agentes ou multi-agentes que usam ferramentas e fluxos de trabalho com humanos no loop, calibrando juízes contra rótulos humanos e mitigando modos de falha.

Fortes habilidades em engenharia de software, com 5+ anos em Python, orquestração de fluxo de trabalho (Airflow), plataformas de nuvem (AWS, GCP), frameworks de processamento de dados distribuídos (Spark, Ray, ou similar) em larga escala.

Registro de publicações ou contribuições open-source em NLP, visão computacional ou IA generativa é um diferencial.

Familiaridade com técnicas de dados que preservam a privacidade (por exemplo, privacidade diferencial, restrições de dados no dispositivo) é um diferencial.