Ingeniero de Investigación en IA (Compresión y Cuantización de Modelos)

• Licenciatura o grado en Ciencias de la Computación  o campo relacionado. Idealmente, doctorado en NLP, Machine Learning o un campo relacionado, complementado por una sólida trayectoria en I+D de IA (con buenas publicaciones en conferencias A*).

• Experiencia con frameworks de deep learning PyTorch o frameworks equivalentes

• Experiencia práctica con cuantización de modelos, incluyendo tanto el entrenamiento consciente de la cuantización (QAT) como la cuantización post-entrenamiento (PTQ).

• Experiencia en investigación y práctica con la destilación de conocimiento para comprimir modelos grandes en modelos más pequeños y eficientes.

• Experiencia en investigación y práctica con el pruning de modelos para comprimir modelos grandes en modelos más pequeños y eficientes.

• Sólido conocimiento de arquitecturas de redes neuronales y procesos de entrenamiento, incluyendo transformers (por ejemplo, LLMs, VLMs), retropropagación, optimización y técnicas de fine-tuning.

• La familiaridad con C++ es un plus (especialmente para la implementación de kernels de cuantización de bajo nivel u optimizaciones de inferencia).

Si tienes excelentes habilidades de comunicación en inglés y estás listo para contribuir a la plataforma más innovadora del planeta, Tether es el lugar para ti.

En Tether, no solo estamos creando productos, estamos liderando una revolución financiera global. Nuestras soluciones de vanguardia permiten a las empresas —desde exchanges y monederos hasta procesadores de pagos y cajeros automáticos— integrar sin problemas tokens respaldados por reservas a través de diversas blockchains. Al aprovechar el poder de la tecnología blockchain, Tether te permite almacenar, enviar y recibir tokens digitales de forma instantánea, segura y global, todo por una fracción del coste. La transparencia es la base de todo lo que hacemos, garantizando la confianza en cada transacción.

Tether Finance: Nuestra innovadora suite de productos cuenta con la stablecoin más confiable del mundo, USDT, utilizada por cientos de millones de personas en todo el mundo, junto con servicios pioneros de tokenización de activos digitales.

Pero eso es solo el principio:

Tether Power: Impulsando el crecimiento sostenible, nuestras soluciones energéticas optimizan el exceso de energía para la minería de Bitcoin utilizando prácticas respetuosas con el medio ambiente en instalaciones de última generación y geográficamente diversas.

Tether Data: Impulsando avances en IA y tecnología peer-to-peer, reducimos los costes de infraestructura y mejoramos las comunicaciones globales con soluciones de vanguardia como KEET, nuestra aplicación insignia que redefine el intercambio de datos seguro y privado.

Tether Education: Democratizando el acceso al aprendizaje digital de primer nivel, empoderamos a las personas para que prosperen en las economías digital y gig, impulsando el crecimiento y las oportunidades globales.

Tether Evolution: En la intersección de la tecnología y el potencial humano, estamos ampliando los límites de lo que es posible, forjando un futuro donde la innovación y las capacidades humanas se fusionan de formas poderosas y sin precedentes.

Como miembro de nuestro equipo de investigación de IA, impulsarás la innovación en la compresión de modelos y el despliegue eficiente de sistemas de IA multimodal avanzados, incluyendo modelos de lenguaje extensos (LLMs) y modelos de visión y lenguaje (VLMs). Tu trabajo se centrará en reducir la huella del modelo y el coste computacional manteniendo la precisión, permitiendo que la IA de alto rendimiento se ejecute de forma eficiente en dispositivos edge con recursos limitados. Aplicarás y harás avanzar técnicas de compresión como la cuantización, la destilación de conocimiento y el pruning para optimizar arquitecturas multimodales complejas que integran texto, imágenes y audio.

Esperamos que tengas una profunda experiencia en métodos de compresión de modelos y una sólida formación en arquitecturas de modelos multimodales. Adoptarás un enfoque práctico y orientado a la investigación para desarrollar, probar e implementar nuevas estrategias de compresión que equilibren el tamaño del modelo, la latencia, el rendimiento (throughput) y la precisión. Tus responsabilidades incluyen la creación de pipelines de compresión robustos, el establecimiento de métricas de rendimiento y fidelidad, y la resolución de cuellos de botella en la inferencia de producción. El objetivo final es ofrecer sistemas de IA escalables, de bajo consumo de memoria y baja latencia en dispositivos edge (es decir, smartphones) que mantengan una alta fidelidad y un valor tangible en el mundo real.

Desglosa las responsabilidades clave en puntos de una lista. Es útil hacerlas accionables y medibles. Esto también podría agruparse en categorías para roles más complejos.

• Aplicar cuantización de pocos bits para reducir el tamaño del modelo y la latencia de inferencia en modelos de IA generativa (LLMs, VLMs, multimodales) manteniendo la precisión y la calidad de los resultados.

• Aprovechar la destilación de conocimiento para transferir capacidades de modelos maestros (teacher) más grandes a modelos estudiantes (student) más pequeños, permitiendo un razonamiento multimodal eficiente a través de entradas de texto, imagen y audio.

• Implementar técnicas de pruning para eliminar parámetros y cabezales de atención redundantes, reduciendo la carga computacional sin sacrificar el rendimiento en las tareas.

• Analizar las compensaciones entre la eficiencia del modelo (tamaño, latencia, memoria) y la precisión mediante métodos de cuantización, destilación y pruning; proponer mejoras basadas en hallazgos empíricos.

• Investigar y aplicar cuantización de precisión mixta y otras estrategias de compresión avanzadas (por ejemplo, programas de pruning adaptativos, destilación con emparejamiento de características intermedias) para optimizar el equilibrio entre precisión y rendimiento.

• Mantenerse al día con las últimas investigaciones en compresión de modelos, incluyendo técnicas emergentes para arquitecturas multimodales y generativas.

• Documentar metodologías, experimentos y resultados de forma clara para apoyar la reproducibilidad, la colaboración interna y la comunicación con los stakeholders.

• Redactar artículos técnicos y publicar hallazgos en conferencias de primer nivel (por ejemplo, NeurIPS, ICML, ICLR, CVPR, ACL, AAAI) para hacer avanzar el campo de la compresión de modelos para la IA multimodal.

Enumera las cualificaciones, certificaciones y experiencia necesarias para el puesto. Puedes dividir esto en secciones de obligatorias y preferentes si es necesario.