Ang Applaudo ay isang nearshore software development company na nakatuon sa pagtulong sa mga organisasyon na gawing moderno ang teknolohiya at isulong ang digital transformation. Itinatag noong 2013, pinagsasama ng kumpanya ang kadalubhasaan sa software engineering at pagkonsulta sa innovation at experience design, application development at maintenance, quality assurance, cloud solutions, artificial intelligence, cybersecurity, data solutions, at app modernization. Naglilingkod ang Applaudo sa mga kliyente sa mga sektor ng sports, media at entertainment, retail, consumer packaged goods, at financial services, habang sinusuportahan ang mga proyektong nagpapahusay sa mga digital product, imprastraktura, at paghahatid ng IT. May punong tanggapan sa Austin, Texas, at opisina sa San Salvador, pinagsasama ng Applaudo ang 501–1,000 empleyado upang maglingkod sa mga negosyo sa larangan ng teknolohiya at digital services.
Senior na Applied Data Scientist – Pagtutugma ng Entidad (Remote, Peru)
Sa Applaudo, bumuo ng mga modelong gumagamit ng embedding at LLM para pagtugmain ang mga kumpanya at entidad. Suriin ang maingay at malakihang data upang makabuo ng tumpak na mga solusyon sa AI na isinasaalang-alang ang praktikal na gastos at saklaw.
Paglalarawan
- Bumuo at sumuri ng mga pamamaraan sa machine learning para pagtugmain ang mga kumpanya at entidad.
- Gumawa ng mga paraan ng pagtutugma gamit ang embedding at malalaking modelo ng wika.
- Magdisenyo ng mga paraan ng pagmamarka at pagraranggo na naghihiwalay sa tunay na tugma, mga duplicate, magkakamukhang tala, at mga entidad na walang kaugnayan.
- Pangasiwaan ang maingay na data tungkol sa mga pangalan, alyas, domain, website, detalye ng firmographic, mga wika, at herarkiya ng data.
- Maghanda ng mga benchmark dataset, sukatan sa pagsusuri, baseline, at pagsusuri ng error.
- Magplano at magsagawa ng mga eksperimento upang subukan ang mga hipotesis.
- Ihambing ang mga pamamaraang tinutulungan ng LLM sa mas matipid na mga opsyon.
- Siyasatin ang gawi ng modelo, mga hindi pangkaraniwang kaso, at mga kapalit na kailangang timbangin.
- Isaalang-alang agad ang gastos sa inference at kakayahang mag-scale.
- Ibahagi ang mga resulta ng eksperimento at rekomendasyon sa mga katuwang sa engineering at negosyo.
- Malayang magtakda ng mga pamamaraan sa pananaliksik at pipeline ng eksperimento.
- Malinaw na itala ang mga positibo at negatibong resulta ng eksperimento.
Mga Kinakailangan
- Hindi bababa sa limang taong propesyonal na karanasan sa data science o machine learning.
- Matibay na praktikal na pundasyon sa machine learning.
- Napakahusay na kasanayan sa Python at SQL.
- Praktikal na karanasan sa embedding at semantikong pagkakatulad.
- Karanasan sa paggamit ng malalaking modelo ng wika para sa mga problemang totoong nangyayari.
- Karanasan sa supervised at unsupervised learning.
- Matibay na kaalaman sa klasipikasyon at natural language processing.
- Kaalamang magamit sa mga neural network at transformer architecture.
- Aktuwal na karanasan sa TensorFlow, PyTorch, PyCaret, o katulad na machine learning framework.
- Karanasan sa muling pagsasanay o pagpapanatili ng mga production classification model.
- Matibay na kasanayan sa pagdidisenyo ng eksperimento at pagsusuri ng modelo.
- Karanasan sa pagtatakda ng baseline, sukatan, test set, at proseso ng pagsusuri ng error.
- Kayang suriin ang kalidad ng modelo at magpakita ng nasusukat na pag-unlad.
- Matibay na pag-unawa sa scalability at mga gastos sa machine learning inference.
- Mahusay na kasanayan sa pakikipag-usap sa Ingles.
- Mas gusto: Karanasan sa entity resolution, record linkage, o deduplication.
- Mas gusto: Karanasan sa pagraranggo at pagmamarka ng pagkakatulad.
- Mas gusto: Pamilyaridad sa retrieval, clustering, o mga teknik sa pagbuo ng kandidatong tutugma.
- Mas gusto: Karanasan sa pagdidisenyo ng mga solusyon gamit ang LLM o embedding na pasok sa mga limitasyon sa gastos at saklaw.
- Mas gusto: Pamilyaridad sa Spark, Snowflake, Databricks, o BigQuery.
- Mas gusto: Karanasan sa data ng kumpanya, domain, website, o firmographic.
- Mas gusto: Karanasan sa pagtatrabaho sa mga multilingual na dataset.
- Mapanuring pamamaraan at pang-eksperimentong pag-iisip.
- Tapat sa intelektuwal na paraan at handang magbahagi ng mga negatibong resulta.
- Kayang magtrabaho nang nagsasarili at magkusa.
- Napakahusay na komunikasyong pasalita at pasulat.
- Kayang magpaliwanag at sumuporta sa mga teknikal na rekomendasyon sa mga stakeholder.
- Matibay na kasanayan sa paglutas ng problema.
- Komportable sa malabong sitwasyon at malakihang dataset.
- Kayang timbangin ang kalidad ng modelo, gastos, at scalability.
Mga Benepisyo
- May opsyon na magtrabaho nang remote.
- Pagkakataong mabilis na matuto at magkaroon ng sariling pananagutan.
- Makipagtulungan sa mga bihasang pangkat.
- Magtrabaho sa makabagong mga solusyong AI at mga produktong kayang mag-scale.
- Kulturang nakatuon sa mataas na pagganap, kahusayan, pagtutulungan, paggalang, pagiging bukas, at mahusay na komunikasyon.