Applaudo е nearshore компания за разработка на софтуер, насочена към подпомагане на организациите да модернизират технологиите си и да развиват дигиталната трансформация. Основана през 2013 г., компанията съчетава експертиза в софтуерното инженерство и консултирането в областите на иновациите и дизайна на потребителското изживяване, разработката и поддръжката на приложения, осигуряването на качеството, облачните решения, изкуствения интелект, киберсигурността, решенията за данни и модернизацията на приложения. Applaudo обслужва клиенти в сектори като спорт, медии и развлечения, търговия на дребно, бързооборотни потребителски стоки и финансови услуги, като подкрепя проекти за подобряване на дигитални продукти, инфраструктура и предоставяне на IT услуги. Със седалище в Остин, Тексас, и офис в Сан Салвадор, Applaudo обединява екип от 501 до 1 000 служители, които обслужват компании в сферата на технологиите и дигиталните услуги.
Старши специалист по приложна наука за данните – съпоставяне на обекти (дистанционна работа, Перу)
В Applaudo ще разработвате модели, базирани на векторни представяния и големи езикови модели, за съпоставяне на компании и обекти. Ще оценявате мащабни зашумени данни и ще изграждате точни решения с изкуствен интелект, като отчитате разходите и мащабируемостта.
Описание
- Разработване и оценяване на методи за машинно обучение за съпоставяне на компании и обекти.
- Създаване на подходи за съпоставяне с векторни представяния и големи езикови модели.
- Проектиране на методи за оценяване и класиране, които разграничават действителните съвпадения от дубликатите, сходно изглеждащите записи и несвързаните обекти.
- Работа със зашумени данни за имена, псевдоними, домейни, уебсайтове, фирмени характеристики, езици и йерархии на данните.
- Подготовка на еталонни набори от данни, метрики за оценяване, базови модели и анализ на грешките.
- Планиране и провеждане на експерименти за проверка на хипотези.
- Сравняване на методи с помощта на големи езикови модели с по-икономични варианти.
- Изследване на поведението на моделите, граничните случаи и компромисите.
- Отчитане на разходите за инференция и мащабируемостта още от самото начало.
- Споделяне на резултатите от експериментите и препоръките с инженерни и бизнес партньори.
- Самостоятелно изграждане на изследователски методи и процеси за експерименти.
- Ясно документиране както на положителните, така и на отрицателните резултати от експериментите.
Изисквания
- Най-малко пет години професионален опит в науката за данните или машинното обучение.
- Солидни практически основи в машинното обучение.
- Отлични умения с Python и SQL.
- Практически опит с векторни представяния и семантична прилика.
- Опит с прилагането на големи езикови модели към реални проблеми.
- Опит с контролирано и неконтролирано обучение.
- Солидни познания по класификация и обработка на естествен език.
- Работни познания за невронни мрежи и трансформър архитектури.
- Практически опит с TensorFlow, PyTorch, PyCaret или сходна рамка за машинно обучение.
- Опит с повторно обучение или поддръжка на класификационни модели в продукционна среда.
- Отлични умения за експериментален дизайн и оценяване на модели.
- Опит с определяне на базови стойности, метрики, тестови набори и процеси за анализ на грешките.
- Способност за оценяване на качеството на моделите и доказване на измерими подобрения.
- Солидно разбиране на мащабируемостта и разходите за инференция при машинно обучение.
- Отлични комуникационни умения по английски език.
- Предимство: опит с разрешаване на идентичността на обекти, свързване на записи или премахване на дубликати.
- Предимство: опит с класиране и оценяване на сходство.
- Предимство: познаване на извличане на информация, клъстеризация или техники за генериране на кандидати.
- Предимство: опит с проектиране на решения с големи езикови модели или векторни представяния при ограничения за разходи и мащабируемост.
- Предимство: познаване на Spark, Snowflake, Databricks или BigQuery.
- Предимство: опит с данни за компании, домейни, уебсайтове или фирмени характеристики.
- Предимство: опит с многоезични набори от данни.
- Аналитичен подход и експериментална нагласа.
- Интелектуална честност и готовност за споделяне на отрицателни резултати.
- Способност за самостоятелна работа и поемане на инициатива.
- Отлични писмени и устни комуникационни умения.
- Способност за обясняване и аргументиране на технически препоръки пред заинтересованите страни.
- Силни умения за решаване на проблеми.
- Увереност при работа с неясноти и мащабни набори от данни.
- Способност за балансиране на качеството на модела, разходите и мащабируемостта.
Придобивки
- Възможност за дистанционна работа.
- Възможност за бързо учене и поемане на отговорност.
- Работа с опитни екипи.
- Работа по съвременни решения с изкуствен интелект и мащабируеми продукти.
- Култура на високи резултати, основана на високи постижения, екипна работа, уважение, прозрачност и ефективна комуникация.