AI Fund یک استودیوی سرمایه‌گذاری خطرپذیر است که به راه‌اندازی و توسعه شرکت‌هایی با محوریت هوش مصنوعی کمک می‌کند. این مجموعه با بنیان‌گذاران و پیشگامان فناوری همکاری می‌کند، نقش هم‌بنیان‌گذار اقلیت را بر عهده می‌گیرد و از ایجاد کاربردهای هوش مصنوعی در حوزه‌هایی مانند تولید، سلامت روان، آموزش و مراقبت‌های سلامت پشتیبانی می‌کند. فعالیت آن، ساخت کسب‌وکارهای نوپا را با حمایت عملی از تیم‌هایی پیوند می‌دهد که برای حل چالش‌های صنایع گوناگون از هوش مصنوعی استفاده می‌کنند.
مهندس نرم‌افزار، سیستم‌های هوش مصنوعی (دورکاری در ایالات متحده)
برای پلتفرم هوشمندی ایمنی سازمانی Haven Safety، عامل‌های LLM تولیدی بسازید. مالکیت سیستم‌های بازیابی، ارزیابی، مشاهده‌پذیری و قابلیت اطمینان را برای تحقیقات ایمنی‌حیاتی بر عهده بگیرید.
توضیحات
- خطوط لوله چندمرحله‌ای LLM را توسعه دهید و اجرا کنید؛ این خطوط باید فراخوانی مدل و ابزار، کوئری‌های گراف، بازیابی، دروازه‌های کیفیت و واگذاری به عامل‌های تخصصی را هماهنگ کنند.
- تیم عامل‌های هماهنگ و لایه ارکستراسیون Haven را از شواهد حادثه تا تحلیل، بررسی و یادگیری سازمانی گسترش دهید.
- لایه زمینه را با استفاده از پیمایش Neo4j، جست‌وجوی برداری و بازیابی ترکیبی ایجاد کنید.
- مجموعه‌داده‌های ارزیابی، روش‌های امتیازدهی، مجموعه‌های رگرسیون، مقایسه مدل‌ها، حلقه‌های بررسی انسانی و انتساب کیفیت در سطح مراحل را توسعه دهید.
- ردیابی، ممیزی فراخوانی ابزار، پایش هزینه و تأخیر، بازیابی از خطا و داشبوردهای کیفیت را اضافه کنید.
- حلقه‌های عامل، توهمات و افت خاموش عملکرد را پیش از اثرگذاری بر مشتریان شناسایی کنید.
- بر اساس نیازهای کار، از میان مدل‌های OpenAI، Anthropic و Google انتخاب کنید.
- با تیم‌های محصول و مهندسی دانش از نزدیک همکاری کنید.
- در تعیین مسیر نقشه راه هوش مصنوعی مشارکت کنید.
- با استفاده از شواهد تولیدی، سیستم‌های استدلال هوش مصنوعی و LLM را طراحی، تحویل، ابزارگذاری و به‌طور مستمر بهبود دهید.
- مستقیماً به CTO گزارش دهید.
شرایط لازم
- تجربه در مهندسی هوش مصنوعی یا یادگیری ماشین، از جمله تجربه تحویل سیستم‌های LLM مورد استفاده مشتریان واقعی.
- تجربه عملی در ساخت و عیب‌یابی گردش‌کارهای چندمرحله‌ای و ابزارمحور با LangGraph، LangChain یا چارچوبی مشابه.
- رویکردی نظام‌مند برای ارزیابی LLM با استفاده از مجموعه‌داده‌های نماینده، آزمون‌های رگرسیون، روش‌های LLM-as-judge یا حلقه‌های بررسی انسانی.
- تجربه آماده‌سازی زمینه برای LLMها، همراه با منطق روشن درباره اینکه چه چیزی، چه مقدار و چرا باید بازیابی شود.
- تجربه مالکیت سیستم‌های تولیدی از مرحله استقرار تا پایش و پاسخ‌گویی به رخداد، از جمله توانایی تشخیص و رفع خطاها یا رگرسیون‌ها.
- توانایی کار با ارائه‌دهندگان مختلف مدل و توضیح مصالحه‌های مربوط به کیفیت، تأخیر، هزینه، زمینه و ریسک عملیاتی.
- به‌شدت ترجیح داده می‌شود: تجربه کار با Neo4j و Cypher یا پایگاه‌داده گرافی مشابه، به‌علاوه توانایی یادگیری سریع مدل‌سازی داده‌های گراف.
- مهارت پیشرفته در Python.
- تجربه تولیدی با FastAPI، سرویس‌های ناهمگام، آزمون‌نویسی، مشاهده‌پذیری و رابط‌های قابل نگهداری.
- مزیت محسوب می‌شود: تخصص در Cypher، تکامل شِما، الگوهای MERGE،嵌ه‌سازی‌ها و بهره‌برداری از یک گراف دانش زنده.
- مزیت محسوب می‌شود: آگاهی از تزریق پرامپت، پیشگیری از نشت زمینه، جداسازی مستأجران، دسترسی مبتنی بر نقش و جداسازی لایه سیاست.
- مزیت محسوب می‌شود: تجربه بهره‌برداری از سرویس‌های هوش مصنوعی تولیدی در Azure و کار با Azure AI Search، Pinecone، MongoDB Atlas، pgvector، Elasticsearch یا پلتفرمی مشابه.
- به‌شدت ترجیح داده می‌شود: تجربه قبلی کار در محیط سازمانی.
- متقاضیان باید در ایالات متحده مستقر باشند؛ جابه‌جایی در نظر گرفته نمی‌شود.
مزایا
- روی چالش‌های مهم استدلال هوش مصنوعی کار کنید.
- به تیمی بپیوندید که ارزیابی را در شیوه مهندسی خود در اولویت قرار می‌دهد.
- فناوری‌ای ارائه دهید که اثری مستقیم و قابل مشاهده بر مشتریان دارد.
- در یک تیم کوچک، مالکیت گسترده‌ای بر عهده بگیرید.
- ورودی مستقیم از تیم‌های ایمنی و کاربران نهایی دریافت کنید.
- از نزدیک با CTO و تیم‌های محصول و مهندسی دانش همکاری کنید.
- تصمیم‌های فنی مهم بگیرید و ببینید نتایج آن‌ها به‌سرعت به مشتریان می‌رسد.