Bumubuo ang Snorkel AI ng mga solusyon sa ekspertong datos para sa mga pangkat na nagtatrabaho sa machine learning. Tinutulungan ng Expert Data-as-a-Service platform nito ang mga organisasyon na lumikha at magsuri ng mga de-kalidad na training dataset, na sumusuporta sa mas mabilis na pagbuo ng modelo at mas maaasahang mga aplikasyon ng AI. Itinatag noong 2019 mula sa pananaliksik sa Stanford, nakikipagtulungan ang kumpanya sa mga organisasyon sa pagkonsulta, pangangalagang pangkalusugan, at logistics upang isulong ang mga praktikal na sistema ng AI.
Senior na Software Engineer sa AI at ML sa Snorkel AI (Hybrid)
Senior/Staff machine learning engineer na nagpapahusay sa pagsusuri ng agent, pagruruta ng modelo, at mga fine-tuned na sistema ng modelo. Bumubuo ng mahigpit na imprastraktura ng AI data para sa mga enterprise customer ng Snorkel AI.
Paglalarawan
- Pagbutihin ang bilis, gastos, at pagiging mahigpit ng pagbuo at pagsusuri ng makabagong AI data sa pamamagitan ng ML at AI
- Siyasatin kung paano ginagawa at sinusuri ang data na pang-makabagong antas
- Bumuo ng mga hypothesis at subukan ang mga ito gamit ang totoong production data
- Palawakin ang mga pamamaraang nagpapakita ng matibay na resulta
- Bawasan ang gastos ng pangmatagalang pagsusuri ng agent gamit ang adaptive sampling, maagang paghinto na batay sa estadistika, mga cascade ng modelo, caching, at murang opsyon muna na gating
- Ituro ang mga kahilingan para sa pagsusuri at paghusga sa modelong may pinakamababang gastos na nakatutugon sa mga pamantayan ng kalidad, kasama ang mga fallback, monitoring, at pagtukoy ng gastos
- I-fine-tune at i-deploy ang mga open-weight na modelo gamit ang LoRA at iba pang teknik na mahusay sa parameter
- Bumuo ng mga modelong humuhula sa hirap ng gawain para sa mga makabagong sistema bago ilunsad
- Gumawa ng golden dataset at sukatin ang katumpakan at calibration ng mga sistemang LLM-as-judge
- Gawing mga reusable at configurable na bahagi ang mga research prototype para sa production engineer at researcher
- Tumulong magtakda ng mga pamantayan sa ML engineering, gabayan ang direksiyon ng disiplina, at suportahan ang lumalaking team
Mga Kinakailangan
- Hindi bababa sa limang taong karanasan sa pagbuo ng production machine learning o software system, na may pananagutan mula prototype hanggang production
- Praktikal na karanasan sa pagpapatakbo ng LLM o ML workload sa production
- Kakayahang epektibong mag-isip tungkol sa mga non-deterministic na sistema
- Matibay na pundasyon sa estadistika at eksperimento, kabilang ang experimental design, hypothesis testing, sampling, at confidence interval
- Mataas na kasanayan sa Python at software engineering na sumasaklaw sa testing, code review, at system design
- Karanasan sa paglikha ng mga pagsusuri at mahigpit na pagbibigay-kahulugan sa mga resulta nito
- Proaktibong pagtukoy sa mga problemang may malaking epekto bago pormal na maitalaga
- Malinaw na komunikasyon sa mga research, engineering, at business team
Mga Benepisyo
- Makabuluhang mga pagkakataong maimpluwensiyahan ang mga priyoridad at inisyatiba
- Pagkakataong magkaroon ng boses sa mahahalagang estratehikong desisyon
- Direktang ambag sa patuloy na tagumpay ng Snorkel AI
- Mga pagkakataong palalimin ang teknikal na kaalaman
- Mga pagkakataong mamuno
- Mga pagkakataong bumuo ng kasanayan sa maraming function
- Suporta sa career development sa kapaligirang nakatuon sa paglago, pagkatuto, at sama-samang tagumpay
- Makatuwirang accommodation para sa mga aplikante at empleyadong may kapansanan sa buong proseso ng aplikasyon at panayam, pagganap sa trabaho, at pag-access sa mga benepisyo at pribilehiyo sa trabaho