A Ford Motor Company egy Egyesült Államokban működő autógyártó vállalat, amelynek története 1903-ig nyúlik vissza. A járművek fejlesztése és gyártása mellett a vállalat egyre nagyobb hangsúlyt helyez a mobilitási szolgáltatásokra, a digitális élményekre és a szoftverekre. A Ford tevékenységei a fenntarthatósági törekvéseket és a környezetvédelmi célokat is magukban foglalják, olyan megközelítést tükrözve, amely összekapcsolja a közlekedést, az innovációt, a közösségi hatást és a felelős üzleti gyakorlatokat.
Adattudós, NLP és generatív mesterséges intelligencia a Fordnál, India, hibrid
Fejlesszen NLP-, LLM- és generatív mesterségesintelligencia-termékeket autóipari felhasználási esetekhez a Fordnál. Építsen multimodális folyamatokat, ügynökalapú munkafolyamatokat, API-kat és felhasználói alkalmazásokat nagy léptékben.
Leírás
- Fegyelmezett kódolási gyakorlatokkal hozzon létre NLP-, LLM- és generatív mesterségesintelligencia-alkalmazásokat és -termékeket.
- Értékelje a fejlett modelleket és módszereket autóipari alkalmazásokhoz.
- Végezzen gépi tanulási kísérleteket modelltréninghez és inferenciához memória- és késleltetési korlátok mellett.
- Telepítsen NLP REST API-kat és könnyű felhasználói felületeket Dockerrel és Kuberneteszel.
- Mutassa be az NLP-, LLM- és generatív mesterségesintelligencia-alkalmazásokat Dash, Plotly és Streamlit használatával.
- Egyesítsen több botot multimodális, LLM-alapú alkalmazásokban.
- Hozzon létre ügynökalapú munkafolyamatokat Autogen, AgentBuilder és LangGraph használatával.
- Fejlesszen skálázható használatra tervezett, moduláris mesterségesintelligencia- és gépitanulás-termékeket.
- Működjön együtt globális műszaki szakértőkkel osztályozási, kérdésmegválaszolási, chatbot-, fordítási, szemantikus keresési és összegzési termékeken.
Követelmények
- Informatikai, mérnöki, matematikai vagy kapcsolódó természettudományos területen szerzett alap- vagy mesterfokú végzettség.
- A mélytanulás elméletének és az NLP-alkalmazásokhoz kapcsolódó gyakorlatának ismerete.
- Programozási tapasztalat ADK, A2A, AgentSkills, Ontology, Hugging Face, LangGraph, LangChain, Chainlit, TensorFlow vagy PyTorch, scikit-learn, NumPy és Pandas használatával.
- Legalább két nyílt forráskódú NLP-könyvtár, például a spaCy, TorchText, fastai.text vagy FARM Haystack ismerete.
- A szövegfeldolgozási technikák ismerete, beleértve a reguláris kifejezéseket, a token- és szóelemzést, a helyesírás-javítást, a zajcsökkentést, a mondatszegmentálást és a klaszterezést.
- Gyakorlati telepítési tapasztalat BERT- vagy más finomhangolt transzformermodellekkel szekvenciaosztályozáshoz, névelem-felismeréshez vagy kérdésmegválaszoláshoz.
- Docker és pipenv, conda vagy Poetry környezetek ismerete.
- A Python-projektmenedzsment gyakorlatainak ismerete, beleértve a setup.py-t, a naplózást, a pytestet, a relatív importokat és a Sphinx-dokumentációt.
- A GitHub-munkafolyamatok ismerete.
- Tapasztalat GCP-szolgáltatásokkal, többek között a BigQuery, a Cloud Functions, a Cloud Run, a Cloud Build és a Vertex AI használatával.
- A teljesítményteszteléshez és összegzéskészítéshez használható nyílt forráskódú eszközök gyakorlati ismerete.
- GPU- és CPU-erőforrások használatának tapasztalata felhőalapú és helyszíni környezetekben.
- Felhőplatformok használatának képessége adatmérnöki, big data- és gépitanulási munkaterhelésekhez.
- Tapasztalat a Docker, a docker-compose és a kísérleti Docker-funkciók használatában.
- Az Airflow és a Kubeflow ismerete.
- Tapasztalat CI/CD- és infrastruktúra-kódként használt eszközökkel, például a Terraformmal.
- Tapasztalat Kuberneteszel vagy más konténerplatformokkal, beleértve a Helmet és az Argo Workflowst.
- Képes megfelelő, etikus, biztonságos és védett mesterségesintelligencia-API-k létrehozására.
- Tapasztalat felhasználói felületek vagy vizualizációk fejlesztésében Gradio, Dash, Streamlit, React vagy Django használatával.
- Elosztott számítási tapasztalat Spark, Dask, RAPIDS AI vagy cuDF használatával.
- Képes Python API-kat létrehozni FastAPI, Flask vagy Django használatával.
- Az Elasticsearch és az Apache Solr használatának tapasztalata előnyt jelent; a vektoradatbázisokkal szerzett tapasztalat szintén releváns.
- Tapasztalat olyan LLM-ekkel, mint a GPT-5, a Gemini, a Kimi vagy a Seedance.
- Tapasztalat a generatív mesterségesintelligencia-modellek teljes életciklusában, beleértve a tréninget, a tesztelést, a telepítést és a teljesítményfigyelést.
- Tapasztalat szöveghez, képhez és hanghoz készült multimodális mesterségesintelligencia-folyamatok fejlesztésében és karbantartásában.
- Gyakorlati tapasztalat chatbotok vagy társalgási ügynökök nagy léptékű telepítésében, változatos adatforrásokon.
- Tapasztalat képgeneráló vagy fordítóeszközök létrehozásában olyan látens diffúziós modellekkel, mint a Stable Diffusion vagy az Instruct Pix2Pix.
- Nagy léptékű strukturált és strukturálatlan adatokkal kapcsolatos szakértelem.
- Tapasztalat nagy léptékű generatív mesterségesintelligencia-adatkészletek és -kimenetek kezelésében.
- Erős kommunikációs és együttműködési készségek különböző földrajzi régiókban.