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.
Επιστήμονας Δεδομένων, NLP και Παραγωγική Τεχνητή Νοημοσύνη στη Ford, Ινδία, Υβριδική Εργασία
Ανάπτυξε προϊόντα NLP, μεγάλων γλωσσικών μοντέλων και παραγωγικής τεχνητής νοημοσύνης για εφαρμογές στον κλάδο της αυτοκινητοβιομηχανίας στη Ford. Δημιούργησε πολυτροπικές διοχετεύσεις, agentic workflows, API και εφαρμογές για τελικούς χρήστες σε μεγάλη κλίμακα.
Περιγραφή
- Δημιούργησε εφαρμογές και προϊόντα NLP, μεγάλων γλωσσικών μοντέλων και παραγωγικής τεχνητής νοημοσύνης με πειθαρχημένες πρακτικές προγραμματισμού.
- Αξιολόγησε προηγμένα μοντέλα και μεθόδους για εφαρμογές στην αυτοκινητοβιομηχανία.
- Εκτέλεσε πειράματα μηχανικής μάθησης για εκπαίδευση μοντέλων και inference υπό περιορισμούς μνήμης και καθυστέρησης.
- Ανάπτυξε REST API NLP και ελαφριές διεπαφές χρήστη με Docker και Kubernetes.
- Παρουσίασε εφαρμογές NLP, μεγάλων γλωσσικών μοντέλων και παραγωγικής τεχνητής νοημοσύνης με Dash, Plotly και Streamlit.
- Συνδύασε πολλαπλά bot σε πολυτροπικές εφαρμογές που υποστηρίζονται από μεγάλα γλωσσικά μοντέλα.
- Δημιούργησε agentic workflows με Autogen, AgentBuilder και LangGraph.
- Ανάπτυξε αρθρωτά προϊόντα τεχνητής νοημοσύνης και μηχανικής μάθησης σχεδιασμένα για κλιμακούμενη κατανάλωση.
- Συνεργάσου με παγκόσμιους τεχνικούς ειδικούς σε προϊόντα ταξινόμησης, απάντησης ερωτήσεων, chatbot, μετάφρασης, σημασιολογικής αναζήτησης και περίληψης.
Απαιτήσεις
- Πτυχίο ή μεταπτυχιακό στην επιστήμη υπολογιστών, τη μηχανική, τα μαθηματικά ή συναφή επιστημονικό κλάδο.
- Κατανόηση της θεωρίας και των πρακτικών βαθιάς μάθησης για εφαρμογές NLP.
- Εμπειρία προγραμματισμού με ADK, A2A, AgentSkills, Ontology, Hugging Face, LangGraph, LangChain, Chainlit, TensorFlow ή PyTorch, scikit-learn, NumPy και Pandas.
- Εξοικείωση με τουλάχιστον δύο βιβλιοθήκες NLP ανοιχτού κώδικα, όπως spaCy, TorchText, fastai.text ή FARM Haystack.
- Γνώση τεχνικών επεξεργασίας κειμένου, όπως κανονικές εκφράσεις, ανάλυση token και λέξεων, διόρθωση ορθογραφίας, μείωση θορύβου, τμηματοποίηση προτάσεων και ομαδοποίηση.
- Πρακτική εμπειρία ανάπτυξης του BERT ή άλλων fine-tuned transformer μοντέλων για ταξινόμηση ακολουθιών, αναγνώριση οντοτήτων ή απάντηση ερωτήσεων.
- Εξοικείωση με Docker και περιβάλλοντα pipenv, conda ή Poetry.
- Γνώση πρακτικών διαχείρισης έργων Python, όπως setup.py, logging, pytest, relative imports και τεκμηρίωση Sphinx.
- Εξοικείωση με workflows του GitHub.
- Εμπειρία με υπηρεσίες GCP, όπως BigQuery, Cloud Functions, Cloud Run, Cloud Build και Vertex AI.
- Πρακτική γνώση εργαλείων ανοιχτού κώδικα για benchmarking και δημιουργία περιλήψεων.
- Εμπειρία χρήσης πόρων GPU και CPU σε περιβάλλοντα cloud και on-premises.
- Ικανότητα χρήσης πλατφορμών cloud για φόρτους εργασίας μηχανικής δεδομένων, big data και μηχανικής μάθησης.
- Εμπειρία με Docker, docker-compose και πειραματικές δυνατότητες του Docker.
- Εξοικείωση με Airflow και Kubeflow.
- Εμπειρία με CI/CD και εργαλεία infrastructure-as-code, όπως το Terraform.
- Εμπειρία με Kubernetes ή άλλες πλατφόρμες containers, συμπεριλαμβανομένων των Helm και Argo Workflows.
- Ικανότητα δημιουργίας συμβατών, ηθικών, ασφαλών και προστατευμένων API τεχνητής νοημοσύνης.
- Εμπειρία ανάπτυξης διεπαφών χρήστη ή οπτικοποιήσεων με Gradio, Dash, Streamlit, React ή Django.
- Εμπειρία κατανεμημένης υπολογιστικής με Spark, Dask, RAPIDS AI ή cuDF.
- Ικανότητα δημιουργίας Python API με FastAPI, Flask ή Django.
- Η εμπειρία με Elasticsearch και Apache Solr αποτελεί πλεονέκτημα· σχετική είναι και η εμπειρία με διανυσματικές βάσεις δεδομένων.
- Εμπειρία με LLM όπως GPT-5, Gemini, Kimi ή Seedance.
- Εμπειρία σε ολόκληρο τον κύκλο ζωής μοντέλων παραγωγικής τεχνητής νοημοσύνης, συμπεριλαμβανομένων εκπαίδευσης, δοκιμών, ανάπτυξης και παρακολούθησης απόδοσης.
- Εμπειρία ανάπτυξης και συντήρησης πολυτροπικών διοχετεύσεων τεχνητής νοημοσύνης για κείμενο, εικόνα και ήχο.
- Πρακτική εμπειρία ανάπτυξης chatbot ή συνομιλιακών agent σε μεγάλη κλίμακα και σε ποικίλες πηγές δεδομένων.
- Εμπειρία δημιουργίας εργαλείων παραγωγής εικόνων ή μετάφρασης με latent diffusion μοντέλα, όπως Stable Diffusion ή Instruct Pix2Pix.
- Εξειδίκευση στην εργασία με μεγάλης κλίμακας δομημένα και αδόμητα δεδομένα.
- Εμπειρία διαχείρισης μεγάλων συνόλων δεδομένων και εξόδων παραγωγικής τεχνητής νοημοσύνης.
- Ισχυρές δεξιότητες επικοινωνίας και συνεργασίας μεταξύ γεωγραφικών περιοχών.