Az Applaudo nearshore szoftverfejlesztő vállalat, amelynek célja, hogy segítsen a szervezeteknek technológiáik korszerűsítésében és digitális átalakulásuk előmozdításában. A 2013-ban alapított vállalat a szoftvermérnöki és tanácsadói szaktudást az innováció és élménytervezés, az alkalmazásfejlesztés és -karbantartás, a minőségbiztosítás, a felhőmegoldások, a mesterséges intelligencia, a kiberbiztonság, az adatmegoldások, valamint az alkalmazásmodernizáció területén egyesíti. Az Applaudo többek között a sport, a média és szórakoztatóipar, a kiskereskedelem, a gyorsan forgó fogyasztási cikkek és a pénzügyi szolgáltatások ágazatában működő ügyfeleket szolgál ki, és olyan projekteket támogat, amelyek javítják a digitális termékeket, az infrastruktúrát és az IT-szolgáltatások nyújtását. Az austini (Texas) központtal és San Salvador-i irodával rendelkező Applaudo 501–1000 fős csapatot fog össze, amely a technológiai és digitális szolgáltatási környezetben működő vállalkozásokat szolgálja ki.
Szenior alkalmazott adattudós – entitásegyeztetés (távmunka, Peru)
Az Applaudónál beágyazásokra és nagy nyelvi modellekre épülő megoldásokat fejleszthet vállalatok és entitások egyeztetésére. Zajos, nagyméretű adatokat értékelhet, és pontos AI-megoldásokat alakíthat ki a költség és a skálázhatóság gyakorlati mérlegelésével.
Leírás
- Fejlesszen és értékeljen gépi tanulási módszereket vállalatok és entitások egyeztetésére.
- Alakítson ki egyeztetési megközelítéseket beágyazásokkal és nagy nyelvi modellekkel.
- Tervezzen pontozási és rangsorolási módszereket, amelyek megkülönböztetik a valódi egyezéseket a duplikátumoktól, a hasonló megjelenésű rekordoktól és a nem kapcsolódó entitásoktól.
- Dolgozzon zajos adatokkal a nevek, aliasok, domainek, webhelyek, cégadatok, nyelvek és adathierarchiák területén.
- Hozzon létre referencia-adatkészleteket, értékelési mutatókat, alapmódszereket és hibaelemzési folyamatokat.
- Tervezzen és hajtson végre kísérleteket a hipotézisek tesztelésére.
- Hasonlítsa össze az LLM-ekkel támogatott módszereket gazdaságosabb lehetőségekkel.
- Vizsgálja a modellek viselkedését, a szélső eseteket és az átváltási kompromisszumokat.
- Már a kezdetektől vegye figyelembe a következtetési költségeket és a skálázhatóságot.
- Ossza meg a kísérleti eredményeket és ajánlásokat a mérnöki és üzleti partnerekkel.
- Önállóan alakítsa ki a kutatási módszereket és kísérleti folyamatokat.
- Világosan rögzítse a pozitív és negatív kísérleti eredményeket.
Követelmények
- Legalább öt év szakmai tapasztalat adattudományi vagy gépi tanulási területen.
- Erős gyakorlati alapok a gépi tanulásban.
- Kiváló Python- és SQL-ismeretek.
- Gyakorlati tapasztalat beágyazásokkal és szemantikai hasonlósággal.
- Nagy nyelvi modellek valós problémákra való alkalmazásának tapasztalata.
- Felügyelt és felügyelet nélküli tanulási tapasztalat.
- Erős háttér a klasszifikációban és a természetesnyelv-feldolgozásban.
- A neurális hálózatok és a transzformer-architektúrák gyakorlati ismerete.
- TensorFlow, PyTorch, PyCaret vagy hasonló gépi tanulási keretrendszer gyakorlati használata.
- Éles környezetben működő klasszifikációs modellek újratanításának vagy karbantartásának tapasztalata.
- Erős készségek a kísérlettervezés és a modellértékelés terén.
- Tapasztalat alapmódszerek, mutatók, teszthalmazok és hibaelemzési folyamatok meghatározásában.
- Képesség a modellminőség felmérésére és mérhető javulás igazolására.
- A skálázhatóság és a gépi tanulási következtetés költségeinek alapos ismerete.
- Magabiztos angol kommunikációs készség.
- Előny: Tapasztalat entitásfeloldásban, rekordkapcsolásban vagy deduplikációban.
- Előny: Tapasztalat rangsorolásban és hasonlósági pontozásban.
- Előny: Ismeretek információ-visszakeresési, klaszterezési vagy jelöltgenerálási technikákban.
- Előny: Tapasztalat LLM- vagy beágyazásalapú megoldások tervezésében költség- és méretkorlátok között.
- Előny: Spark, Snowflake, Databricks vagy BigQuery ismerete.
- Előny: Tapasztalat vállalati, domain-, webhely- vagy cégadatokkal.
- Előny: Tapasztalat többnyelvű adatkészletekkel.
- Analitikus megközelítés és kísérletező szemlélet.
- Szakmai tisztesség és a negatív eredmények megosztására való hajlandóság.
- Önálló munkavégzés és kezdeményezőkészség.
- Kiváló írásbeli és szóbeli kommunikáció.
- Képesség a műszaki ajánlások érthető bemutatására és alátámasztására az érintettek előtt.
- Erős problémamegoldó készség.
- Jártasság a bizonytalan helyzetek és nagyméretű adatkészletek kezelésében.
- Képesség a modellminőség, a költségek és a skálázhatóság egyensúlyának megteremtésére.
Juttatások
- Távmunka lehetősége.
- Lehetőség a gyors tanulásra és önálló felelősségvállalásra.
- Együttműködés képzett csapatokkal.
- Munka korszerű, AI-alapú megoldásokon és skálázható termékeken.
- Kiválóságra, csapatmunkára, tiszteletre, átláthatóságra és hatékony kommunikációra épülő, magas teljesítményű kultúra.