Inżynier ds. badań nad sztuczną inteligencją (kompresja i kwantyzacja modelu)

Dołącz do Tether i kształtuj przyszłość finansów cyfrowychW Tether nie tylko tworzymy produkty, jesteśmy pionierami globalnej rewolucji finansowej. Nasze najnowocześniejsze rozwiązania umożliwiają firmom - od giełd i portfeli po procesory płatności i bankomaty - bezproblemową integrację tokenów zabezpieczonych rezerwą w ramach łańcuchów bloków. Wykorzystując moc technologii blockchain, Tether umożliwia natychmiastowe, bezpieczne i globalne przechowywanie, wysyłanie i odbieranie tokenów cyfrowych za ułamek kosztów.

Przejrzystość jest podstawą wszystkiego, co robimy, zapewniając zaufanie do każdej transakcji. Innowacja dzięki TetherTether Finance: Nasz innowacyjny pakiet produktów obejmuje najbardziej zaufaną na świecie monetę typu stablecoin, USDT, na której polegają setki milionów ludzi na całym świecie, a także pionierskie usługi tokenizacji aktywów cyfrowych. Ale to dopiero początek:Tether Power: Wspierając zrównoważony rozwój, nasze rozwiązania energetyczne optymalizują nadwyżkę mocy do wydobycia Bitcoinów, stosując przyjazne dla środowiska praktyki w najnowocześniejszych, zróżnicowanych geograficznie obiektach.Tether Data: Wspierając przełomowe rozwiązania w zakresie sztucznej inteligencji i technologii peer-to-peer, obniżamy koszty infrastruktury i usprawniamy globalną komunikację dzięki najnowocześniejszym rozwiązaniom, takim jak KEET, nasza flagowa aplikacja, która na nowo definiuje bezpieczne i prywatne udostępnianie danych.

Tether Education: Demokratyzacja dostępu do najwyższej klasy cyfrowej edukacji, umożliwiamy jednostkom prosperowanie w gospodarce cyfrowej i gig, napędzając globalny wzrost i możliwości. Tether Evolution: na skrzyżowaniu technologii i potencjału ludzkiego przesuwamy granice tego, co możliwe, tworząc przyszłość, w której łączą się innowacje i ludzkie możliwości potężne, niespotykane dotąd sposoby. Dlaczego warto do nas dołączyć?

Nasz zespół to globalna potęga talentów, pracująca zdalnie z każdego zakątka świata. Jeśli pasjonujesz się pozostawieniem śladu w przestrzeni fintech, to jest Twoja szansa na współpracę z najwybitniejszymi umysłami, przesuwanie granic i ustanawianie nowych standardów. Szybko się rozwinęliśmy, utrzymaliśmy szczupłą sylwetkę i zapewniliśmy sobie pozycję lidera w branży.

Jeśli posiadasz doskonałe umiejętności komunikacyjne w języku angielskim i jesteś gotowy, aby wnieść swój wkład w najbardziej innowacyjną platformę na świecie, Tether to miejsce dla Ciebie. Czy jesteś gotowy, aby być częścią przyszłości? Informacje o pracy Jako członek naszego zespołu badawczego AI będziesz wprowadzać innowacje w zakresie kompresji modeli i wydajnego wdrażania zaawansowanych multimodalnych systemów AI, w tym dużych modeli językowych (LLM) i modeli języka wizyjnego (VLM).

Twoja praca skupi się na zmniejszeniu zasięgu modelu i kosztów obliczeniowych przy jednoczesnym zachowaniu dokładności, umożliwiając wydajne działanie sztucznej inteligencji o wysokiej wydajności na urządzeniach brzegowych o ograniczonych zasobach. Będziesz stosować i rozwijać techniki kompresji, takie jak kwantyzacja, destylacja wiedzy i przycinanie, aby usprawnić złożone architektury multimodalne integrujące tekst, obrazy i dźwięk. Oczekujemy, że będziesz mieć głęboką wiedzę specjalistyczną w zakresie metod kompresji modeli i duże doświadczenie w architekturach modeli multimodalnych.

Przyjmiesz praktyczne, oparte na badaniach podejście do opracowywania, testowania i wdrażania nowatorskich strategii kompresji, które równoważą rozmiar modelu, opóźnienia, przepustowość i dokładność. Do Twoich obowiązków należy budowanie solidnych potoków kompresji, ustalanie wskaźników wydajności i wierności oraz eliminowanie wąskich gardeł we wnioskowaniu produkcyjnym. Ostatecznym celem jest dostarczenie skalowalnych systemów AI o małej ilości pamięci i małych opóźnieniach na urządzeniach brzegowych (tj. smartfonach), które zachowują wysoką wierność i wymierną wartość w świecie rzeczywistym.

Obowiązki Podziel kluczowe obowiązki w punktach. Pomocne jest uczynienie ich wykonalnymi i mierzalnymi. Można to również pogrupować w kategorie dla bardziej złożonych ról.

Zastosuj niskobitową kwantyzację, aby zmniejszyć rozmiar modelu i opóźnienie wnioskowania w przypadku generatywnych modeli AI (LLM, VLM, multimodalne), zachowując jednocześnie dokładność i jakość wyjściową. Wykorzystaj destylację wiedzy, aby przenieść możliwości z większych modeli nauczycieli na mniejsze modele uczniów, umożliwiając wydajne rozumowanie multimodalne na podstawie tekstu, obrazu i dźwięku. Wdrażaj techniki czyszczenia, aby usunąć zbędne parametry i głowice uwagi, redukując obciążenie obliczeniowe bez poświęcania wydajności zadania.

Analizuj kompromisy między wydajnością modelu (rozmiar, opóźnienie, pamięć) a dokładnością metod kwantyzacji, destylacji i przycinania; proponować ulepszenia w oparciu o ustalenia empiryczne. Zbadaj i zastosuj kwantyzację o mieszanej precyzji i inne zaawansowane strategie kompresji (np. adaptacyjne harmonogramy przycinania, destylacja z dopasowaniem cech pośrednich), aby zoptymalizować równowagę między dokładnością a wydajnością. Bądź na bieżąco z najnowszymi badaniami nad kompresją modeli, w tym z nowymi technikami dla architektur multimodalnych i generatywnych.

Dokumentuj metodologie, eksperymenty i wyniki w jasny sposób, aby zapewnić powtarzalność, współpracę wewnętrzną i komunikację z interesariuszami. Autor artykułów technicznych i publikuje ustalenia na najważniejszych konferencjach (np. NeurIPS, ICML, ICLR, CVPR, ACL, AAAI), aby rozwijać dziedzinę kompresji modeli dla multimodalnej sztucznej inteligencji.

WymaganiaWymień kwalifikacje, certyfikaty i doświadczenie potrzebne na danym stanowisku. W razie potrzeby możesz podzielić to na sekcje obowiązkowe i preferowane. Wykształcenie wyższe na kierunku informatyka lub pokrewnym.

Idealny doktorat z NLP, uczenia maszynowego lub pokrewnej dziedziny, uzupełniony solidnymi osiągnięciami w dziedzinie badań i rozwoju AI (z dobrymi publikacjami na konferencjach A*). Doświadczenie z platformami głębokiego uczenia się PyTorch lub równoważnymi platformami Praktyczne doświadczenie z kwantyzacją modelu, w tym zarówno szkolenie z uwzględnieniem kwantyzacji (QAT), jak i kwantyzacja po szkoleniu (PTQ). Badania i praktyczne doświadczenie w zakresie destylacji wiedzy w celu kompresji dużych modeli w mniejsze, wydajne.

Badania i praktyczne doświadczenie w zakresie przycinania modeli w celu kompresji dużych modeli w mniejsze, wydajne. Solidne zrozumienie architektur sieci neuronowych i procesów szkoleniowych - w tym transformatorów (np. LLM, VLM), technik propagacji wstecznej, optymalizacji i dostrajania.

Znajomość C++ będzie dodatkowym atutem (szczególnie w przypadku implementowania jąder kwantyzacji niskiego poziomu lub optymalizacji wnioskowania). Ważna informacja dla kandydatów Oszustwa rekrutacyjne stają się coraz częstsze. Aby się zabezpieczyć, starając się o stanowisko, pamiętaj o następujących kwestiach: Aplikuj wyłącznie za pośrednictwem naszych oficjalnych kanałów.

Nie korzystamy z platform ani agencji stron trzecich do celów rekrutacji, chyba że zostało to wyraźnie określone. Wszystkie otwarte role są wymienione na naszej oficjalnej stronie karier: Zweryfikuj tożsamość osoby rekrutującej. Wszyscy nasi rekruterzy posiadają zweryfikowane profile na LinkedIn.

Jeśli nie masz pewności, możesz potwierdzić ich tożsamość, sprawdzając ich profil lub kontaktując się z nami za pośrednictwem naszej strony internetowej. Uważaj na nietypowe metody komunikacji. Nie przeprowadzamy rozmów kwalifikacyjnych za pośrednictwem WhatsApp, Telegramu ani SMS-ów.

Cała komunikacja odbywa się za pośrednictwem oficjalnych firmowych e-maili i platform. Dokładnie sprawdź adresy e-mail. Wszelka komunikacja od nas będzie pochodzić z e-maili kończących się na @ lub @.

Nigdy nie prosimy o podanie szczegółów płatności ani finansów. Jeśli ktoś poprosi o osobiste dane finansowe lub płatność w dowolnym momencie procesu rekrutacji, jest to oszustwo. Proszę to natychmiast zgłosić.

W razie wątpliwości skontaktuj się z nami za pośrednictwem naszej oficjalnej strony internetowej. Najważniejsze informacje Oryginalnie opublikowano w Himalajach