Member of Technical Staff, Machine Learning

Hoy en día, más de 5.000 millones de usuarios utilizan aplicaciones básicas como el correo electrónico, notas, tareas o el calendario, y estas no son nativas de IA. Nuestra misión es crear aplicaciones proactivas para cualquier persona en el mundo que no esté acostumbrada a realizar prompts complejos. Nuestro objetivo es aportar inteligencia a las conversaciones, recados, organización y flujos de trabajo, con un mínimo de prompting o incluso sin él.

Nuestro producto se centra en lograr una alta fiabilidad para flujos de trabajo de larga duración, contexto persistente y la realización de tareas en el mundo real. Creemos que los productos reducirán enormemente las alucinaciones.

Nuestro objetivo es organizar la vida de cualquier persona, permitiéndonos a todos dedicar tiempo a cosas valiosas y significativas.

Como Member of Technical Staff, Machine Learning, construirás componentes centrales de ML. Trabajarás en sistemas de producción reales desde el primer día, aprendiendo cómo se comporta el ML a gran escala fuera de los entornos de investigación.

Este puesto es para ingenieros que quieran desarrollar un sólido criterio de sistemas mediante el lanzamiento, la depuración y la iteración sobre ML en el mundo real.

• Construir y mejorar componentes de ML en datos, entrenamiento, evaluación e inferencia.

• Realizar el fine-tuning y la adaptación de modelos como parte de sistemas de producción más amplios.

• Implementar la evaluación y las pruebas para comprender el comportamiento del modelo.

• Ayudar a construir y mantener pipelines de datos para datos reales y sintéticos.

• Depurar problemas del modelo, problemas de rendimiento e incidentes de producción.

• Lanzar mejoras de forma iterativa y aprender del feedback de usuarios reales.

• Trabajar estrechamente con ingenieros de ML senior y equipos de producto.

• Trabajar bajo restricciones de producción reales: latencia, coste, fiabilidad y seguridad.

• Python

• PyTorch / JAX

• Sistemas de ML en producción ejecutándose en GPUs

• Sólidos fundamentos en machine learning y arquitecturas neuronales modernas.

• Alguna experiencia práctica entrenando, realizando fine-tuning o desplegando modelos de ML.

• Comodidad escribiendo código de calidad de producción y aprendiendo nuevas herramientas rápidamente.

• Curiosidad, capacidad de recibir formación y ganas de aprender de sistemas reales en producción.

• Capacidad para trabajar en entornos de ambigüedad con orientación y aumentar la responsabilidad con el tiempo.

• Orientación hacia el lanzamiento, la iteración y la mejora continua.

• Los modelos de ML en producción cumplen con los objetivos esperados de precisión, latencia y fiabilidad.

• Los problemas de producción se identifican rápidamente, se depuran eficazmente y se abordan sus causas raíz.

• Los pipelines de datos, los bucles de entrenamiento y los sistemas de inferencia son robustos, reproducibles y mantenibles.

• Colabora eficazmente con los equipos de ingeniería, producto e investigación para ofrecer funciones fiables impulsadas por ML.

• Las iteraciones en modelos y sistemas se basan en señales del mundo real y mejoras mensurables.