Applaudo یک شرکت توسعه نرم‌افزار نزدیک‌ساحلی است که بر کمک به سازمان‌ها برای نوسازی فناوری و پیشبرد تحول دیجیتال تمرکز دارد. این شرکت که در سال ۲۰۱۳ تأسیس شده است، تخصص مهندسی نرم‌افزار و مشاوره را در زمینه‌های نوآوری و طراحی تجربه، توسعه و نگهداری برنامه‌های کاربردی، تضمین کیفیت، راهکارهای ابری، هوش مصنوعی، امنیت سایبری، راهکارهای داده و نوسازی اپلیکیشن با یکدیگر ترکیب می‌کند. Applaudo به مشتریانی در بخش‌هایی مانند ورزش، رسانه و سرگرمی، خرده‌فروشی، کالاهای بسته‌بندی‌شده مصرفی و خدمات مالی خدمات ارائه می‌دهد و از پروژه‌هایی پشتیبانی می‌کند که محصولات دیجیتال، زیرساخت‌ها و ارائه خدمات فناوری اطلاعات را بهبود می‌بخشند. Applaudo با دفتر مرکزی در آستین، تگزاس، و دفتری در سن‌سالوادور، تیمی متشکل از ۵۰۱ تا ۱٬۰۰۰ کارمند را گرد هم آورده است که به کسب‌وکارهای سراسر حوزه فناوری و خدمات دیجیتال خدمت می‌کنند.
دانشمند ارشد داده کاربردی – تطبیق موجودیت‌ها (دورکاری، پرو)
در Applaudo مدل‌های مبتنی بر امبدینگ و LLM برای تطبیق شرکت‌ها و موجودیت‌ها توسعه دهید. داده‌های حجیم و پرنویز را ارزیابی کنید تا راهکارهای دقیق هوش مصنوعی با توازن عملی میان هزینه و مقیاس بسازید.
توضیحات
- روش‌های یادگیری ماشین برای تطبیق شرکت‌ها و موجودیت‌ها بسازید و ارزیابی کنید.
- با امبدینگ‌ها و مدل‌های زبانی بزرگ، روش‌های تطبیق ایجاد کنید.
- روش‌های امتیازدهی و رتبه‌بندی طراحی کنید که تطبیق‌های واقعی را از موارد تکراری، رکوردهای مشابه و موجودیت‌های نامرتبط جدا کنند.
- داده‌های پرنویز مربوط به نام‌ها، نام‌های مستعار، دامنه‌ها، وب‌سایت‌ها، مشخصات شرکت‌ها، زبان‌ها و سلسله‌مراتب داده را مدیریت کنید.
- مجموعه‌داده‌های معیار، سنجه‌های ارزیابی، خط‌مبناها و تحلیل خطا را ایجاد کنید.
- برای آزمودن فرضیه‌ها آزمایش‌ها را برنامه‌ریزی و اجرا کنید.
- روش‌های مبتنی بر کمک LLM را با گزینه‌های کم‌هزینه‌تر مقایسه کنید.
- رفتار مدل، موارد مرزی و بده‌بستان‌ها را بررسی کنید.
- از همان ابتدا هزینه استنتاج و مقیاس‌پذیری را در نظر بگیرید.
- نتایج آزمایش‌ها و پیشنهادها را با همکاران مهندسی و کسب‌وکار به اشتراک بگذارید.
- روش‌های پژوهش و خط لوله‌های آزمایش را مستقلانه ایجاد کنید.
- نتایج مثبت و منفی آزمایش‌ها را به‌روشنی ثبت کنید.
شرایط لازم
- حداقل پنج سال سابقه حرفه‌ای در علم داده یا یادگیری ماشین.
- پایه عملی قوی در یادگیری ماشین.
- مهارت عالی در Python و SQL.
- تجربه عملی با امبدینگ‌ها و شباهت معنایی.
- تجربه به‌کارگیری مدل‌های زبانی بزرگ برای مسائل واقعی.
- تجربه یادگیری نظارت‌شده و بدون نظارت.
- پیشینه قوی در طبقه‌بندی و پردازش زبان طبیعی.
- آشنایی کاربردی با شبکه‌های عصبی و معماری‌های ترنسفورمر.
- تجربه عملی با TensorFlow، PyTorch، PyCaret یا چارچوب یادگیری ماشین مشابه.
- تجربه بازآموزی یا نگهداری مدل‌های طبقه‌بندی در محیط عملیاتی.
- مهارت قوی در طراحی آزمایش و ارزیابی مدل.
- تجربه تعیین خط‌مبنا، سنجه‌ها، مجموعه‌های آزمون و فرایندهای تحلیل خطا.
- توانایی ارزیابی کیفیت مدل و نشان‌دادن بهبودهای قابل‌اندازه‌گیری.
- درک قوی از مقیاس‌پذیری و هزینه استنتاج یادگیری ماشین.
- مهارت ارتباطی قوی به زبان انگلیسی.
- ترجیحی: تجربه در حل هویت موجودیت‌ها، پیوند رکوردها یا حذف موارد تکراری.
- ترجیحی: تجربه در رتبه‌بندی و امتیازدهی شباهت.
- ترجیحی: آشنایی با بازیابی، خوشه‌بندی یا روش‌های تولید نامزدهای تطبیق.
- ترجیحی: تجربه طراحی راهکارهای LLM یا امبدینگ با محدودیت‌های هزینه و مقیاس.
- ترجیحی: آشنایی با Spark، Snowflake، Databricks یا BigQuery.
- ترجیحی: تجربه کار با داده‌های شرکت، دامنه، وب‌سایت یا مشخصات شرکتی.
- ترجیحی: تجربه کار با مجموعه‌داده‌های چندزبانه.
- رویکرد تحلیلی و ذهنیت آزمایش‌محور.
- صداقت فکری و تمایل به اشتراک‌گذاری نتایج منفی.
- توانایی کار مستقل و پیش‌قدم‌شدن.
- مهارت عالی در ارتباط نوشتاری و گفتاری.
- توانایی توضیح و پشتیبانی از پیشنهادهای فنی برای ذی‌نفعان.
- مهارت قوی در حل مسئله.
- راحتی در کار با ابهام و مجموعه‌داده‌های بزرگ‌مقیاس.
- توانایی ایجاد توازن میان کیفیت مدل، هزینه و مقیاس‌پذیری.
مزایا
- امکان دورکاری.
- فرصت یادگیری سریع و پذیرفتن مسئولیت.
- همکاری با تیم‌های ماهر.
- کار روی راهکارهای نوین مبتنی بر هوش مصنوعی و محصولات مقیاس‌پذیر.
- فرهنگ کاری پربازده با تمرکز بر تعالی، کار گروهی، احترام، شفافیت و ارتباط مؤثر.