Appen
Appen
Appen زیرساخت‌های داده‌ای لازم برای پشتیبانی از محصولات و برنامه‌های کاربردی هوش مصنوعی را توسعه می‌دهد. این شرکت که در سال ۱۹۹۶ تأسیس شده است، در سراسر چرخه عمر داده‌های هوش مصنوعی خدمات مقیاس‌پذیر ارائه می‌کند؛ از جمله جمع‌آوری و پالایش داده، تنظیم دقیق مدل و پایش. فعالیت Appen با ترکیب تخصص انسانی و هوش مصنوعی به سازمان‌ها کمک می‌کند از داده‌های خود مؤثرتر استفاده کنند. این شرکت با بهره‌گیری از تجربه در حوزه‌های هوش مصنوعی، مشاوره و بازاریابی، از سازمان‌هایی که در صنایع مختلف به توسعه و استقرار فناوری‌های هوش مصنوعی می‌پردازند پشتیبانی می‌کند.

مهندس پژوهش هوش مصنوعی کاربردی — اپن، هند (دورکاری)

به‌عنوان مهندس پژوهش هوش مصنوعی کاربردی در اپن به تیم بپیوندید و محیط‌های یادگیری تقویتی، خط لوله‌های ال‌ال‌ام و سامانه‌های ارزیابی را برای برنامه‌های جهانی داده‌های آموزشی هوش مصنوعی توسعه دهید. دارایی‌های پژوهشی قابل‌استفاده مجدد برای آزمایشگاه‌های پیشرو و پروژه‌های مشتریان ایجاد کنید.

توضیحات

  • محیط‌های یادگیری تقویتی و عامل‌محور را برای کاربردهای مشتریان و آزمایشگاه‌های پیشرو ایجاد کنید و طراحی وظیفه، امتیازدهی و ارزیابی را پوشش دهید
  • معیارهای محک و چارچوب‌های ارزیابی ایجاد کنید که کیفیت مدل و داده را از نظر دقت، پایداری، ایمنی، تأخیر و هزینه بسنجند
  • خط لوله‌های ال‌ال‌ام و سامانه‌های عامل‌محور را برای پژوهش، ارزیابی و آزمایش‌های مشتریان بسازید
  • برای درک تأثیر داده و روش‌ها بر رفتار مدل، آزمایش‌های تنظیم دقیق، آداپتر و مدل‌های مرتبط را انجام دهید
  • مدل‌های محلی و خودمیزبان را برای ارزیابی، استنتاج و خودکارسازی گردش کار مستقر کنید
  • برای پشتیبانی از کارهای بازتولیدپذیر، آزمایش‌ها، پیکربندی‌ها، مجموعه‌داده‌ها، نتایج و محدودیت‌های شناخته‌شده را ثبت کنید
  • با تیم پژوهش GenAI و شرکای میان‌وظیفه‌ای همکاری کنید تا کار فنی به دارایی‌های قابل‌استفاده مجدد برای تعامل با مشتری تبدیل شود

شرایط لازم

  • مدرک کارشناسی، کارشناسی ارشد یا دکترا در علوم کامپیوتر، مهندسی، یادگیری ماشین یا یک رشته فنی مرتبط
  • حداقل سه سال تجربه حرفه‌ای مهندسی یا تجربه صنعتی مرتبط در هوش مصنوعی/یادگیری ماشین یا مهندسی نرم‌افزار
  • توانایی اثبات‌شده در مهندسی نرم‌افزار، شامل تجربه ایجاد سامانه‌های هوش مصنوعی قابل‌اعتماد و قابل‌نگهداری
  • تجربه عملی در سامانه‌های عامل‌محور، محیط‌های یادگیری تقویتی، خط لوله‌های ال‌ال‌ام یا کاربردهای مشابه هوش مصنوعی
  • تجربه ایجاد چارچوب‌های ارزیابی، معیارهای محک یا خط لوله‌های آزمون مدل
  • توانایی رویارویی مستقل با چالش‌های فنی و تبدیل سریع پرسش‌ها یا ایده‌های پژوهشی به راهکارهای عملی
  • دانش قوی در زمینه آزمایش، بازتولیدپذیری و مستندسازی فنی

مزایا

  • روش‌های کاری انعطاف‌پذیر
  • دسترسی به ابزارها، منابع و فرصت‌های توسعه‌ای برای تقویت توانمندی‌ها
  • فرصت حل مسائل پیچیده هوش مصنوعی در صنایع و مناطق گوناگون
  • فرهنگ مشارکتی مبتنی بر نوآوری، پاسخ‌گویی، کنجکاوی و تعالی