Capital One es una empresa de servicios financieros y tecnología financiera que ofrece tarjetas de crédito, préstamos para automóviles y productos bancarios y de ahorro. Su trabajo combina la experiencia financiera con la tecnología y las herramientas digitales para mejorar la forma en que los clientes administran su dinero. La empresa centra sus oportunidades profesionales en desarrollar soluciones orientadas al cliente dentro de una plantilla diversa e inclusiva.
Investigador aplicado 4, fundamentos de IA y barreras de seguridad multimodales
Impulsa las barreras de seguridad multimodales y los modelos fundacionales de IA para las experiencias bancarias de Capital One. Lidera la investigación desde la experimentación hasta la implementación en producción.
Descripción
- Colaborar con científicos de datos, ingenieros de software, ingenieros de aprendizaje automático y gerentes de producto para desarrollar productos basados en IA
- Aplicar PyTorch, AWS Ultraclusters, Hugging Face, Lightning y tecnologías relacionadas para analizar datos numéricos y textuales a gran escala
- Diseñar, entrenar, evaluar, validar e implementar modelos fundacionales de IA
- Realizar investigación aplicada que impulse las capacidades de IA para experiencias de cliente de próxima generación
- Convertir investigaciones complejas y trabajo técnico en objetivos empresariales medibles
- Trabajar con investigadores sénior en informes técnicos y ponencias para conferencias sobre métodos y hallazgos novedosos
Requisitos
- Estar cursando o tener un doctorado en Ingeniería Eléctrica, Ingeniería Informática, Ciencias de la Computación, IA, Matemáticas o un campo relacionado para la fecha de inicio prevista; alternativamente, contar con una maestría en uno de estos campos y 2 años de experiencia en investigación aplicada
- Dominio sólido de las metodologías de IA
- Experiencia desarrollando modelos grandes de aprendizaje profundo para lenguaje, imágenes, eventos o grafos
- Experiencia especializada en al menos una de estas áreas: optimización del entrenamiento, aprendizaje autosupervisado, robustez, explicabilidad o RLHF
- Capacidad demostrada para entregar modelos a escala en datos de entrenamiento y cargas de inferencia
- Experiencia contribuyendo con bibliotecas, código de plataforma o código de soluciones a productos existentes
- Trayectoria de contribuciones de alta calidad al aprendizaje automático, incluidas publicaciones como primer autor o proyectos comparables
- Capacidad para definir y desarrollar una agenda de investigación mientras se gestionan de forma independiente proyectos a largo plazo
- Experiencia práctica creando modelos fundacionales y soluciones de IA con herramientas de código abierto y plataformas en la nube
- Preferible: doctorado en una disciplina técnica relacionada
- Preferible: especialización doctoral en PLN para LLM o maestría más 5 años de experiencia en investigación industrial de PLN
- Preferible: publicaciones sobre preentrenamiento de modelos de lenguaje grandes, teoría del aprendizaje profundo o conferencias de IA reconocidas
- Preferible: experiencia entrenando desde cero un modelo de lenguaje grande con más de 10.000 millones de parámetros y 500.000 millones de tokens
- Preferible: experiencia con esparsificación de modelos, cuantización, paralelismo del entrenamiento, puntos de control de gradientes o compresión de modelos
- Preferible: experiencia optimizando el entrenamiento de modelos de más de 10.000 millones de parámetros
- Preferible: conocimientos avanzados de algoritmos de aprendizaje profundo o diseño de optimizadores
- Preferible: experiencia con diseño de compiladores
- Preferible: experiencia con ajuste fino supervisado, ajuste de instrucciones, ajuste fino de diálogos o ajuste de parámetros
- Preferible: conocimientos de aprendizaje por transferencia, adaptación de modelos y orientación de modelos
- Preferible: experiencia implementando modelos de lenguaje grandes ajustados
- Preferible: capacidad para reproducir y ampliar investigaciones de IA revisadas por pares con marcos modernos de código abierto
- Preferible: experiencia diseñando experimentos controlados y documentando resultados de reproducibilidad
Beneficios
- La compensación variable basada en el desempeño puede incluir bonificaciones en efectivo o incentivos a largo plazo
- Amplios beneficios competitivos e inclusivos de salud, financieros y de otro tipo, diseñados para apoyar el bienestar general
- Puede considerarse el patrocinio de autorización de empleo para una persona solicitante recién titulada