Η Ford Motor Company είναι κατασκευαστής αυτοκινήτων με έδρα τις Ηνωμένες Πολιτείες και ιστορία που ξεκινά από το 1903. Εκτός από την ανάπτυξη και παραγωγή οχημάτων, η εταιρεία διευρύνει την εστίασή της στις υπηρεσίες μετακίνησης, τις ψηφιακές εμπειρίες και το λογισμικό. Το έργο της Ford περιλαμβάνει επίσης προσπάθειες βιωσιμότητας και περιβαλλοντικούς στόχους, αντικατοπτρίζοντας μια προσέγγιση που συνδέει τις μεταφορές, την καινοτομία, τον αντίκτυπο στην κοινότητα και τις υπεύθυνες επιχειρηματικές πρακτικές.
Αρχιτέκτονας ΤΝ/Μηχανικής Μάθησης στη Ford Motor Company (Υβριδική εργασία, Ινδία)
Ανάπτυξη αυτόνομων πρακτόρων, συστημάτων πολλαπλών πρακτόρων και διοχετεύσεων παραγωγής με ενισχυμένη ανάκτηση για εταιρική χρήση. Ανάπτυξη παραγωγικής γενετικής ΤΝ στο Google Cloud με MLOps, containers και διανυσματικές βάσεις δεδομένων.
Περιγραφή
- Ανάπτυξη και διάθεση αυτόνομων και ημιαυτόνομων πρακτόρων ΤΝ για εταιρικές διαδικασίες.
- Σχεδιασμός αρχιτεκτονικών πολλαπλών πρακτόρων με ενορχήστρωση, ανάλυση εργασιών, κύκλους σχεδιασμού και επικοινωνία μεταξύ πρακτόρων.
- Σύνδεση πρακτόρων με εταιρικές πλατφόρμες, API REST και GraphQL, βάσεις δεδομένων και υπηρεσίες Google Cloud.
- Δημιουργία δυνατοτήτων βραχυπρόθεσμης, μακροπρόθεσμης, επεισοδιακής και σημασιολογικής μνήμης.
- Δημιουργία, δοκιμή, βελτίωση και συντήρηση προτύπων προτροπών και επαναχρησιμοποιήσιμων βιβλιοθηκών προτροπών.
- Αξιολόγηση, επιλογή και προσαρμογή θεμελιωδών μοντέλων, συμπεριλαμβανομένου του Gemini μέσω του Vertex AI Model Garden.
- Κατασκευή και ρύθμιση διοχετεύσεων RAG υψηλής απόδοσης και χαμηλής καθυστέρησης, συμπεριλαμβανομένης της εισαγωγής εγγράφων, της κατάτμησης και της δημιουργίας ενσωματώσεων.
- Ενσωμάτωση και λειτουργία κλιμακούμενων διανυσματικών βάσεων δεδομένων.
- Καθαρισμός και προετοιμασία δομημένων και μη δομημένων δεδομένων για χρήση.
- Δημιουργία ασφαλών περιβαλλόντων Google Cloud με υποδομή ως κώδικα μέσω Terraform.
- Κατασκευή και συντήρηση διοχετεύσεων CI/CD για αυτοματοποιημένες δοκιμές, δημιουργία containers και ανάπτυξη σε διαφορετικά περιβάλλοντα.
- Συσκευασία εφαρμογών και πρακτόρων σε containers με Docker και ανάπτυξή τους σε GKE ή Cloud Run.
- Ρύθμιση ενορχήστρωσης ροών εργασιών με εργαλεία όπως το Vertex AI Pipelines ή το Cloud Composer/Airflow.
- Καθορισμός μετρικών και διοχετεύσεων δοκιμών για την αξιολόγηση της ποιότητας των πρακτόρων, της καθυστέρησης, της χρήσης tokens και των ποσοστών παραισθήσεων.
- Προσθήκη φιλτραρίσματος και εποπτείας περιεχομένου, ελέγχων τεκμηρίωσης, άμυνας κατά της έγχυσης προτροπών, ελέγχων απορρήτου και σημείων ανθρώπινης αναθεώρησης.
- Ρύθμιση παρακολούθησης παραγωγής, αρχείων καταγραφής, κατανεμημένης ιχνηλάτησης και ειδοποιήσεων σε πραγματικό χρόνο.
- Βελτίωση ροών εργασίας πρακτόρων, ρυθμίσεων μοντέλων, προσωρινής αποθήκευσης και υποδομής ως προς το κόστος και την απόδοση.
- Διαχείριση κλάδων Git, αιτημάτων έλξης και αναθεωρήσεων κώδικα.
- Συνεργασία με επιστήμονες δεδομένων, μηχανικούς λογισμικού και επιχειρηματικές ομάδες για την παράδοση λύσεων ΤΝ έτοιμων για παραγωγή.
- Τεκμηρίωση της αρχιτεκτονικής συστήματος, των ροών πρακτόρων, των εργαλείων, των προτροπών, των containers και των λειτουργικών διαδικασιών.
Απαιτήσεις
- Τουλάχιστον τρία έτη επαγγελματικής εμπειρίας στη μηχανική μηχανικής μάθησης ή ΤΝ, με ισχυρό υπόβαθρο στο MLOps.
- Ένα έως δύο έτη πρακτικής εμπειρίας στον σχεδιασμό και την ανάπτυξη παραγωγικών συστημάτων LLM, γενετικής ΤΝ ή συστημάτων πρακτόρων.
- Άριστη γνώση της Python.
- Εμπειρία με PyTorch, TensorFlow ή Scikit-learn.
- Ισχυρή θεωρητική και πρακτική γνώση βαθιάς μάθησης, επεξεργασίας φυσικής γλώσσας και αρχιτεκτονικών Transformer.
- Πρακτική εμπειρία με LangChain, LangGraph, LlamaIndex, CrewAI ή Vertex AI Agent Builder.
- Αποδεδειγμένη εμπειρία με Google Cloud Platform, Docker, Kubernetes/GKE, Cloud Run και Cloud Functions.
- Αποδεδειγμένη εμπειρία με διανυσματική ευρετηρίαση, σημασιολογική αναζήτηση, Vertex AI Vector Search, AlloyDB ή αντίστοιχα εργαλεία.
- Γνώση βάσεων δεδομένων SQL και NoSQL, καθώς και API REST και GraphQL.
- Εμπειρία με Terraform, Git και εργαλεία CI/CD όπως Cloud Build, GitLab CI ή Jenkins.
- Εμπειρία με Prometheus, Cloud Logging ή LangSmith, καθώς και με την αξιολόγηση της ποιότητας και της ασφάλειας των αποτελεσμάτων LLM.
- Η πιστοποίηση Google Cloud Professional Machine Learning Engineer ή Professional Cloud Architect θεωρείται ιδιαίτερα επιθυμητή.
- Πτυχίο πανεπιστημίου ή ισοδύναμο.