Ford Motor Company ist ein in den Vereinigten Staaten ansässiger Automobilhersteller mit einer Geschichte, die bis ins Jahr 1903 zurückreicht. Neben der Entwicklung und Produktion von Fahrzeugen richtet das Unternehmen seinen Fokus zunehmend auf Mobilitätsdienste, digitale Erlebnisse und Software. Zur Arbeit von Ford gehören außerdem Nachhaltigkeitsinitiativen und Umweltziele, die einen Ansatz widerspiegeln, der Verkehr, Innovation, gesellschaftliche Wirkung und verantwortungsvolle Geschäftspraktiken miteinander verbindet.
Data Scientist für NLP und generative KI bei Ford, Indien (hybrid)
Entwickle NLP-, LLM- und generative-KI-Produkte für Anwendungen im Automobilbereich bei Ford. Baue multimodale Pipelines, agentische Workflows, APIs und nutzerorientierte Anwendungen in großem Maßstab.
Beschreibung
- Erstelle NLP-, LLM- und generative-KI-Anwendungen und -Produkte mit disziplinierten Programmierpraktiken.
- Bewerte fortschrittliche Modelle und Methoden für Anwendungen im Automobilbereich.
- Führe Machine-Learning-Experimente für das Modelltraining und die Inferenz unter Speicher- und Latenzbeschränkungen durch.
- Stelle NLP-REST-APIs und leichtgewichtige Benutzeroberflächen mit Docker und Kubernetes bereit.
- Präsentiere NLP-, LLM- und generative-KI-Anwendungen mit Dash, Plotly und Streamlit.
- Kombiniere mehrere Bots zu multimodalen, LLM-gestützten Anwendungen.
- Erstelle agentische Workflows mit Autogen, AgentBuilder und LangGraph.
- Entwickle modulare KI- und Machine-Learning-Produkte für eine skalierbare Nutzung.
- Arbeite mit globalen technischen Expertinnen und Experten an Produkten für Klassifizierung, Fragebeantwortung, Chatbots, Übersetzung, semantische Suche und Zusammenfassung zusammen.
Anforderungen
- Bachelor- oder Masterabschluss in Informatik, Ingenieurwissenschaften, Mathematik oder einem verwandten naturwissenschaftlichen Fach.
- Verständnis der Theorie und Praxis des Deep Learnings für NLP-Anwendungen.
- Programmiererfahrung mit ADK, A2A, AgentSkills, Ontology, Hugging Face, LangGraph, LangChain, Chainlit, TensorFlow oder PyTorch, scikit-learn, NumPy und Pandas.
- Vertrautheit mit mindestens zwei Open-Source-NLP-Bibliotheken, zum Beispiel spaCy, TorchText, fastai.text oder FARM Haystack.
- Kenntnisse in Textverarbeitungstechniken wie regulären Ausdrücken, Token- und Wortanalyse, Rechtschreibkorrektur, Rauschreduzierung, Satzsegmentierung und Clustering.
- Praktische Erfahrung mit der Bereitstellung von BERT oder anderen feinabgestimmten Transformer-Modellen für Sequenzklassifizierung, Named-Entity-Recognition oder Fragebeantwortung.
- Vertrautheit mit Docker sowie pipenv-, conda- oder Poetry-Umgebungen.
- Kenntnisse in Python-Projektmanagementpraktiken wie setup.py, Logging, pytest, relativen Imports und Sphinx-Dokumentation.
- Vertrautheit mit GitHub-Workflows.
- Erfahrung mit GCP-Diensten wie BigQuery, Cloud Functions, Cloud Run, Cloud Build und Vertex AI.
- Praktische Kenntnisse in Open-Source-Tools für Benchmarking und die Erstellung von Zusammenfassungen.
- Erfahrung mit der Nutzung von GPU- und CPU-Ressourcen in Cloud- und On-Premises-Umgebungen.
- Fähigkeit, Cloud-Plattformen für Data Engineering, Big Data und Machine-Learning-Workloads zu nutzen.
- Erfahrung mit Docker, docker-compose und experimentellen Docker-Funktionen.
- Vertrautheit mit Airflow und Kubeflow.
- Erfahrung mit CI/CD- und Infrastructure-as-Code-Tools wie Terraform.
- Erfahrung mit Kubernetes oder anderen Containerplattformen einschließlich Helm und Argo Workflows.
- Fähigkeit, konforme, ethische, sichere und geschützte KI-APIs zu erstellen.
- Erfahrung in der Entwicklung von Benutzeroberflächen oder Visualisierungen mit Gradio, Dash, Streamlit, React oder Django.
- Erfahrung mit verteiltem Rechnen unter Verwendung von Spark, Dask, RAPIDS AI oder cuDF.
- Fähigkeit, Python-APIs mit FastAPI, Flask oder Django zu entwickeln.
- Erfahrung mit Elasticsearch und Apache Solr ist von Vorteil; Erfahrung mit Vektordatenbanken ist ebenfalls relevant.
- Erfahrung mit LLMs wie GPT-5, Gemini, Kimi oder Seedance.
- Erfahrung mit dem gesamten Lebenszyklus generativer KI-Modelle einschließlich Training, Tests, Bereitstellung und Leistungsüberwachung.
- Erfahrung in der Entwicklung und Pflege multimodaler KI-Pipelines für Text, Bild und Audio.
- Praktische Erfahrung mit der Bereitstellung von Chatbots oder Konversationsagenten in großem Maßstab über verschiedene Datenquellen hinweg.
- Erfahrung in der Erstellung von Bildgenerierungs- oder Übersetzungstools mit latenten Diffusionsmodellen wie Stable Diffusion oder Instruct Pix2Pix.
- Expertise im Umgang mit großen strukturierten und unstrukturierten Datenmengen.
- Erfahrung in der Verwaltung großer Datensätze und Ausgaben für generative KI.
- Ausgeprägte Kommunikations- und Zusammenarbeitsfähigkeiten über geografische Regionen hinweg.