Ingeniero de IA

• 0-6 años de experiencia en ingeniería de AI/ML, ingeniería de datos o un rol estrechamente relacionado (estamos abiertos a recién graduados excepcionales con proyectos sólidos)

• Sólidos fundamentos en ingeniería de datos: pipelines, modelado de datos, diseño de esquemas y prácticas de calidad de datos

• Experiencia construyendo u operando sistemas de ML en producción (entrenamiento, evaluación, despliegue, monitorización) o pruebas sólidas de que puedes aprender rápidamente

• Comodidad trabajando en todo el stack: desde datos brutos e infraestructura hasta el comportamiento del modelo e integración con el producto

• Familiaridad con plataformas y herramientas modernas de ML (seguimiento de experimentos, conjuntos de datos/versionado, orquestación, feature/data stores, model serving)

• Comprensión de conceptos de teoría de la información (por ejemplo, entropía, información mutua) y cómo se relacionan con la señal, la compresión y la evaluación

• Alto sentido de la responsabilidad y orientación a la ejecución: puedes tomar problemas ambiguos, proponer un plan y ejecutarlo

• La experiencia con grafos de conocimiento o representaciones de conocimiento estructurado es un plus

• Construir infraestructura de IA central que impacte directamente en la fiabilidad del producto y en los resultados de los clientes

• Trabajar en problemas de coordinación de agentes del mundo real donde la calidad, la estructura y la evaluación de los datos importan tanto como los modelos

• Alta autonomía y responsabilidad en un equipo de ritmo rápido que trabaja en la frontera de la IA aplicada

• Una oportunidad para definir cómo los agentes de Modern Relay aprenden de los datos y mejoran con el tiempo

Estamos buscando un AI Engineer para ayudar a construir las bases de datos y modelos que hagan que la plataforma de Modern Relay sea fiable en producción. Trabajarás en pipelines de datos, desarrollo de modelos e infraestructura de ML, transformando señales desordenadas en conocimiento estructurado y un comportamiento de modelo de alta calidad. Este rol es ideal para alguien que disfrute lanzando sistemas de extremo a extremo, desde el diseño de esquemas e infraestructura de datos hasta el entrenamiento/evaluación de modelos y su mejora mediante bucles de retroalimentación.

• Diseñar y construir pipelines de datos que ingieran, limpien y transformen los datos de productos y clientes en conjuntos de datos de entrenamiento y evaluación de alta señal

• Liderar las decisiones de infraestructura de datos (almacenamiento, orquestación, linaje, observabilidad) para garantizar la fiabilidad, la escalabilidad y una iteración rápida

• Desarrollar y mejorar sistemas de ML/AI que impulsen el comportamiento de los agentes en la resolución de tareas, incluyendo recuperación, clasificación, ranking y extracción estructurada

• Crear y mantener esquemas para la memoria del agente, las salidas de herramientas y los artefactos de conversación para que el modelado y la analítica downstream sean consistentes

• Construir entornos de evaluación y métricas para medir la calidad del modelo, las regresiones y el rendimiento en el mundo real (offline + online)

• Trabajar con representaciones de conocimiento (por ejemplo, grafos de conocimiento) para conectar entidades, eventos y contexto de negocio para un mejor razonamiento y recuperación

• Colaborar estrechamente con Product y Engineering para integrar modelos en los flujos de trabajo de producción con SLAs y monitorización claros

• Mejorar continuamente los bucles de retroalimentación: estrategias de etiquetado, aprendizaje activo, análisis de errores y gestión de conjuntos de datos/versiones

• San Francisco, CA

• Nueva York, NY

• Barcelona, España

• Remoto (EE. UU. y Europa)

• Los pipelines de datos y los conjuntos de datos son fiables, están bien instrumentados y son fáciles de iterar a medida que evolucionan las necesidades del producto

• El rendimiento del modelo mejora de forma mensurable con el tiempo gracias a una metodología de evaluación clara y ciclos de depuración rápidos

• Las salidas de los agentes se vuelven más consistentes y estructuradas mediante un diseño de esquemas sólido y un post-procesamiento/validación robusto

• Los sistemas de conocimiento y recuperación reducen las alucinaciones y aumentan las tasas de finalización de tareas en los flujos de trabajo reales de los clientes

• Los equipos multifuncionales pueden lanzar mejoras de IA con confianza porque existen mecanismos de calidad, monitorización y rutas de rollback

• Pipelines de datos

• Ingeniería de datos e infraestructura de datos

• AI / inteligencia artificial

• Plataformas de machine learning y ML en producción

• Desarrollo, evaluación y monitorización de modelos

• Diseño de esquemas y sistemas de datos estructurados

• Grafos de conocimiento y recuperación de información

• Fundamentos de la teoría de la información