Databricks udvikler en samlet data- og AI-platform til organisationer, der har brug for at håndtere data i stor skala, opbygge maskinlæringssystemer og omsætte analyser til produktionsapplikationer. Teknologien samler datateknik, Apache Spark-behandling, analyse og drift af maskinlæring, så tekniske teams kan arbejde gennem hele datalivscyklussen – fra behandling og eksperimentering til implementering og generering af indsigt.
Ledende løsningsarkitekt for generativ AI, Frankrig
Led kundeopgaver, der bringer generativ AI og store sprogmodeller i produktion på tværs af EMEA. Design produktionsklare arkitekturer, proof of concepts og løsninger til modeltilpasning for Databricks-kunder.
Beskrivelse
- Vejled strategien for generativ AI, store sprogmodeller og anvendt maskinlæring i forretningsenheden EMEA Emerging DNB
- Samarbejd med løsningsarkitekter, løsningsingeniører og accountteams om at afgrænse og designe anvendelser af generativ AI og håndtere deres risici
- Udvikl proof of concepts og referenceimplementeringer til store arbejdsbelastninger med sprogmodeller og deep learning på Databricks
- Led projekter med finjustering og tilpasning af åbne sprogmodeller
- Anvend evalueringsmetoder baseret på dommermodeller og dataeffektiv mærkning i sammenhænge med høje krav til kvalitet og sikkerhed
- Forbind produkt- og ingeniørteams med kundefeedback, og forklar produktplaner for fieldteams
- Træn og mentorér kolleger i Field Engineering i EMEA Emerging DNB gennem workshops, referencearkitekturer og interne programmer
- Repræsenter Databricks på konferencer, i tekniske blogs og ved kundebriefinger for ledere
Krav
- Kend landskabet for store sprogmodeller, herunder proprietære modeller, open source-modeller og udbydere
- Have dyb ekspertise inden for RAG, agenter, værktøjsbrug, finjustering, modeltilpasning, prompt engineering, evalueringsengineering samt sikkerhedsforanstaltninger og sikkerhed for sprogmodeller
- Have et stærkt fundament inden for maskinlæring og deep learning, herunder distribueret træning, GPU-arbejdsbelastninger og hele MLOps-livscyklussen
- Være dygtig til Python og ML-værktøjer som PyTorch, Transformers, MLflow og Spark
- Have erfaring med at levere referenceimplementeringer i produktionskvalitet
- Kende Databricks eller hurtigt kunne lære platformen, herunder Mosaic AI, Model Serving, Vector Search og Unity Catalog
- Have cloud-erfaring med AWS, Azure eller GCP
- Kommunikere effektivt og arbejde rådgivende med kunder
- Have dokumenterede resultater inden for teknisk ledelse og mentoring
- Være tryg ved at arbejde med digitalt indfødte kunder og kunder i høj vækst
- Være baseret i Storbritannien og kunne arbejde på tværs af EMEA-tidszoner
- Være villig til at rejse til kundernes lokationer i regionen efter behov
- Erfaring med at hjælpe digitalt indfødte kunder med at bygge data- og ML-løsninger er en fordel
- Offentlig teknisk deltagelse, erfaring fra regulerede brancher eller brancher med høj risiko samt partnerskabserfaring med produkt- og ingeniørteams er yderligere fordele
Fordele
- Omfattende personalegoder og fordele; regionsspecifikke oplysninger findes i det linkede dokument om personalegoder