Inżynier oprogramowania uczenia maszynowego II

Cambium Learning® Group to wielokrotnie nagradzany lider rozwiązań technologii edukacyjnych, którego celem jest pomaganie wszystkim uczniom w osiągnięciu ich potencjału poprzez zindywidualizowane i zróżnicowane nauczanie. Stosując spersonalizowane podejście oparte na badaniach, Cambium Learning Group dostarcza zasoby SaaS i produkty instruktażowe, które angażują uczniów i wspierają nauczycieli w przyjemnym, pozytywnym, bezpiecznym i skalowalnym środowisku. Rozwiązania te są dostarczane w ramach Learning A-Z® (zróżnicowane nauczanie online w zakresie czytania, pisania i przedmiotów ścisłych w szkole podstawowej), ExploreLearning® (interaktywne symulacje matematyki i przedmiotów ścisłych online, rozwiązanie w zakresie płynności faktów matematycznych oraz rozwiązanie w zakresie przedmiotów ścisłych na poziomie podstawowym i podstawowym), Voyager Sopris Learning® (rozwiązania mieszane, które przyspieszają uczniów mających trudności z osiągnięciem umiejętności czytania i pisania, matematyki oraz rozwoju zawodowego dla nauczycieli) oraz VKidz Learning (kompleksowa edukacja online w domu oraz programy w zakresie umiejętności czytania i pisania i nauk ścisłych).

Wierzymy, że każdy uczeń ma nieograniczony potencjał, że nauczyciele są ważni, a dane, instrukcje i praktyka są kluczem do sukcesu w klasie i poza nią. Opis stanowiska: Poszukujemy utalentowanego inżyniera uczenia maszynowego II, który dołączy do naszego zespołu CAI zajmującego się uczeniem maszynowym i tworzeniem punktacji. Na tym stanowisku będziesz kluczowym pomostem pomiędzy badaniami stosowanymi a systemami produkcyjnymi.

Współpracując z wielofunkcyjną grupą matematyków, informatyków, psychometrów i statystyków, będziesz projektować i wdrażać niestandardowe rozwiązania w zakresie uczenia maszynowego dla naszych klientów i platform wewnętrznych. Idealnym kandydatem jest specjalista zajmujący się uczeniem maszynowym z pełnym stosem, który równie dobrze czuje się w omawianiu projektowania algorytmicznego z badaczami i projektowaniu skalowalnych systemów produkcyjnych o niskim opóźnieniu. Będziesz właścicielem pełnego cyklu życia oprogramowania - przekształcania prototypów badawczych w zoptymalizowane, gotowe do produkcji rozwiązania przy użyciu nowoczesnej infrastruktury AWS, takiej jak SageMaker, ECS i Lambda, ze szczególnym naciskiem na wnioskowanie o wysokiej przepustowości i optymalizację modelu PyTorch do ONNX.

Obowiązki zawodowe: Rozwój ML w pełnym cyklu życia: Kierowanie przejściem modeli uczenia maszynowego z prototypów teoretycznych do skalowalnych, wydajnych systemów produkcyjnych. Architektura i wdrażanie w chmurze AWS: twórz i wdrażaj rozwiązania ML wykorzystujące AWS ECS (Elastic Container Service) do kontenerowych obciążeń i AWS Lambda do bezserwerowych potoków wnioskowania sterowanych zdarzeniami. Optymalizacja modelu i wnioskowania: Optymalizuj modele PyTorch pod kątem wdrożenia produkcyjnego, konwertując je do formatów ONNX.

Zastosuj zaawansowane techniki optymalizacji wnioskowania (kwantyzacja, przycinanie, ONNX Runtime) i mechanizmy uwagi oszczędzające pamięć, takie jak Flash Attention, aby zminimalizować opóźnienia i zmaksymalizować przepustowość. Najlepsze praktyki w zakresie infrastruktury i inżynierii: Opanuj najlepsze praktyki w zakresie infrastruktury dla systemów uczenia maszynowego, ustanawiając niezawodne potoki CI/CD i zapewniając niezawodne, bezpieczne i powtarzalne wdrożenia w całym ekosystemie AWS. Inżynieria algorytmów: Projektuj, opracowuj i oceniaj algorytmy, które generują informacje opisowe, diagnostyczne, predykcyjne i nakazowe zarówno na podstawie danych ustrukturyzowanych, jak i nieustrukturyzowanych.

Solidna inżynieria oprogramowania: pisz czysty, wydajny i dobrze przetestowany kod. Przeprowadź rygorystyczne testy, debugowanie i dokumentację, aby zapewnić bezproblemową instalację i długoterminową konserwację. Współpraca międzyfunkcyjna: Aktywnie uczestnicz w dyskusjach badawczych, gromadzeniu wymagań i projektowaniu systemów wraz z ekspertami dziedzinowymi w celu tworzenia dostosowanych do indywidualnych potrzeb rozwiązań w zakresie punktacji i uczenia maszynowego.

Wymagania stanowiska: Doświadczenie: 2 - 5 lat doświadczenia w branży w inżynierii uczenia maszynowego, inżynierii oprogramowania lub nauce o danych, z udokumentowanym doświadczeniem w projektowaniu i wdrażaniu modeli do produkcji. Infrastruktura chmurowa i MLOps: głębokie, praktyczne doświadczenie z ekosystemem AWS, w szczególności AWS ECS i Lambda. Solidne zrozumienie konteneryzacji (Docker) i architektur sterowanych zdarzeniami.

Biegłość w programowaniu: Dobra biegłość w nowoczesnych językach programowania używanych w ML (np. Python, C++, Java) i znajomość standardowych praktyk kodowania w branży. Frameworki ML i zaawansowana optymalizacja: praktyczne doświadczenie z PyTorch i innymi bibliotekami uczenia maszynowego (np.

Scikit-Learn, TensorFlow). Dogłębne zrozumienie potoków optymalizacji modeli, w tym konwersji PyTorch do ONNX, środowiska wykonawczego ONNX i mechanizmów uwagi skalowania (np. Flash Attention).

Systemy danych: doświadczenie w pracy z platformami obliczeniowymi na dużą skalę, systemami analizy danych i relacyjnymi/nierelacyjnymi bazami danych. Miło mieć: AWS SageMaker: Doświadczenie w korzystaniu z AWS SageMaker do szkolenia modeli zarządzanych i hostingu. Zaawansowane LLMOps i dostrajanie: Praktyczne doświadczenie w stosowaniu nowoczesnych, wydajnych pod względem parametrów metod dostrajania (takich jak LoRA i qLoRA) w dużych modelach językowych.

Agenci AI: doświadczenie w budowaniu, integrowaniu i wdrażaniu autonomicznych lub półautonomicznych agentów AI w celu automatyzacji złożonych przepływów pracy i łączenia modeli uczenia maszynowego z zewnętrznymi narzędziami/interfejsami API. Ekspertyza NLP: Udokumentowane doświadczenie i znajomość technologii głębokiego uczenia się stosowanych szczególnie w przetwarzaniu języka naturalnego (NLP) i złożonym modelowaniu tekstowym. Współpraca międzydyscyplinarna: doświadczenie we współpracy z wyspecjalizowanymi badaczami (np. psychometrykami, statystykami) w celu operacjonalizacji złożonych koncepcji matematycznych.

Infrastruktura jako kod: doświadczenie we wdrażaniu IaC przy użyciu narzędzi takich jak Terraform lub AWS CloudFormation. Monitorowanie modeli: doświadczenie w konfigurowaniu kompleksowych systemów monitorowania modeli w celu wykrywania dryftu danych, dryftu koncepcji i degradacji modelu w produkcyjnych środowiskach AWS. Aby ubiegać się o tę możliwość, po prostu kliknij przycisk „Aplikuj”, prześlij list motywacyjny i życiorys.

Pracodawca zapewniający równe szanseNaszym celem jest wspieranie kultury, która celebruje wyjątkowe pochodzenie, pomysły i doświadczenia. Wszyscy wykwalifikowani kandydaci otrzymają wynagrodzenie za zatrudnienie bez dyskryminacji ze względu na rasę, kolor skóry, religię, płeć, płeć, tożsamość/ekspresję płciową, orientację seksualną, pochodzenie narodowe, status weterana chronionego lub niepełnosprawność. Oryginalnie opublikowano w Himalajach