Tether.to er en virksomhed inden for digitale aktiver med fokus på infrastruktur til stablecoins og blockchain-baserede betalinger. Virksomhedens Tether-tokens er designet til at bevare en værdi på 1:1 i forhold til de tilsvarende fiatvalutaer og kan overføres på tværs af flere blockchains, hvilket understøtter digitale transaktioner og grænseoverskridende betalinger. Virksomheden offentliggør også oplysninger om sine aktiver og reserver og udvikler uddannelsesinitiativer, der skal øge forståelsen af og brugen af digitale aktiver, blandt andet i Mellemøsten, Tyrkiet og Filippinerne. Med sit arbejde inden for krypto, fintech og finans bidrager Tether.to til udviklingen af alternativ finansiel infrastruktur og anvendelser af stabile digitale valutaer.
AI-forskningsingeniør – optimering af kerner og inferens, fjernarbejde i Europa
Optimer GPU-kerner, model serving og inferenssystemer til Tethers blockchain-baserede platform for digital finans. Forbedr latenstid, gennemløb og hukommelseseffektivitet på mobile enheder og edge-enheder.
Beskrivelse
- Design og implementer arkitekturer til model serving, der maksimerer gennemløbet, minimerer latenstiden og udnytter hukommelsen effektivt.
- Forbedr inferensydelsen på ressourcebegrænsede enheder og edge-platforme.
- Fastlæg ydelsesmål for latenstid, tokensvartider og hukommelsesforbrug.
- Byg, udfør og overvåg kontrollerede inferenstests i simulerede miljøer og produktionsmiljøer.
- Overvåg ydelsesindikatorer for latenstid, gennemløb, hukommelsesforbrug og fejlrate.
- Dokumenter iterative resultater, og sammenlign dem med etablerede benchmarks på tværs af platforme.
- Udvikl testdatasæt og simuleringsscenarier til implementering under ressourcebegrænsede forhold.
- Evaluer beregningseffektiviteten, og identificer flaskehalse i serving-pipelines.
- Optimer batchbehandling, netværksforsinkelser, hukommelsesforbrug, skalerbarhed og pålidelighed.
- Samarbejd med tværfunktionelle teams om at integrere optimerede serving- og inferensrammer i produktionspipelines til edge- og enhedsbaseret kørsel.
- Fastlæg succeskriterier, overvåg løbende ydeevnen, og videreudvikl løsningerne iterativt.
Krav
- Uddannelse i datalogi eller et beslægtet område.
- En ph.d. i NLP, maskinlæring eller et beslægtet område er en fordel.
- Dokumenteret erfaring med AI-forskning og -udvikling, herunder stærke publikationer på A*-konferencer.
- Praktisk kendskab til Metal Shading Language (MSL).
- Evne til at skabe brugerdefinerede compute shaders fra bunden.
- Erfaring med optimering af kerner på lavt niveau og inferens på mobile enheder.
- Dokumenterede resultater med at forbedre inferensens latenstid, gennemløb og hukommelsesforbrug til domænespecifikke anvendelser.
- Avanceret forståelse af moderne arkitekturer til model serving og metoder til inferensoptimering.
- Stor erfaring med at skrive GPU-kerner til smartphones og andre mobile enheder.
- Avanceret viden om rammer til model serving og inferensmotorer.
- Praktisk erfaring med at udvikle og implementere end-to-end-inferenspipelines på ressourcebegrænsede enheder.
- Evne til at anvende empirisk forskning på servingudfordringer med latenstid, beregningsmæssige flaskehalse og hukommelsesbegrænsninger.
- Stærke kompetencer i at designe evalueringsrammer og iterere på optimeringsmetoder.
- Erfaring med distribuerede inferenssystemer, herunder tensor-, pipeline- og ekspertparallelisme.
- Avanceret forståelse af matematikken og arkitekturen bag diffusionsmodeller og Vision Transformers.
- Kendskab til pruning, kvantisering, Flash Attention, KV-cache og spekulativ afkodning med Eagle.
Fordele
- Arbejd på afstand fra et hvilket som helst sted i verden.
- Samarbejd med et internationalt team.
- Bidrag til produkter inden for fintech, blockchain, kunstig intelligens og digital finans.