A Gen globális fogyasztói technológiai vállalat, amely a kiberbiztonság, a digitális adatvédelem, a személyazonosság-védelem és a pénzügyi jóllét területén működik. Olyan márkáin keresztül, mint a Norton, az Avast, a LifeLock és a MoneyLion, segít az embereknek megvédeni eszközeiket, személyazonosságukat, személyes adataikat és pénzügyeiket. Termékei közé tartozik a fenyegetések észlelése, az adatvédelmi incidensekre adott válasz, az online adatvédelmi eszközök, a banki funkciók, valamint az Engine-en keresztül nyújtott beágyazott pénzügyi szolgáltatások. A Gen emellett mesterséges intelligencián alapuló biztonsági megoldásokba és a feltörekvő MI-alkalmazások iránti bizalom kialakítására összpontosító Gen AI Foundryba is befektet. A vállalat több mint 150 országban közel 500 millió felhasználót szolgál ki, és Prágában, illetve Tempe-ben található kettős központtal rendelkezik.
Vezető menedzser, alkalmazott MI-kutatás - Hibrid munkavégzés Prágában
Vezesse a Gen alkalmazott MI-kutatásait a nyelvi modellek, a megerősítéses tanulás, a számítógépes látás és a kiberbiztonsági termékekhez kapcsolódó módszerek területén. Irányítsa a kutatómérnököket, és juttassa el a modelleket a kísérleti szakaszból globális léptékű éles üzembe.
Leírás
- Vezessen gyakorlati alkalmazott MI-kezdeményezéseket, amelyek kis nyelvi modelleket, megerősítéses tanulást, ágensalapú MI-t, számítógépes látást és klasszikus gépi tanulást foglalnak magukban
- Legyen felelős az architektúrával, modellezéssel és éles üzembe állítással kapcsolatos döntésekért
- Irányítsa, mentorálja és fejlessze a 3-5 kutatómérnökből álló csapatot toborzás, teljesítménymenedzsment, karrierfejlesztés és technikai coaching révén
- Gondoskodjon arról, hogy a csapat összehangoltan, akadálymentesen és mérhető eredményekre összpontosítva dolgozzon
- Készítsen prototípusokat új megközelítésekhez, finomítsa a modellterveket, és támogassa a GPU-klasztereken futó tanítási feladatok hibakeresését
- Határozza meg és tartsa fenn a kutatási és mérnöki minőségi szabványokat
- Felügyelje az alkalmazott MI teljes életciklusát a probléma meghatározásától és az adatstratégiától a tanításon, finomhangoláson, értékelésen, telepítésen, megfigyelhetőségen és folyamatos fejlesztésen át
- Irányítsa a modellek éles szállítását, és működjön együtt a Platform, az MLOps és a Product Engineering csapataival
- Alakítsa az üzleti és biztonsági prioritásokat egyértelműen ütemezett alkalmazott MI-ütemtervvé
- Magyarázza el a kompromisszumokat a vezetői szint számára, és számoljon be a szállításról, a modell teljesítményéről és a hatásról
- Alakítson ki csapatgyakorlatokat a kísérletkövetés, a modellértékelés, a reprodukálhatóság, a kódellenőrzés és a felelős MI köré
- Vegyen részt a Hiring Manager, az AI Research Lab, a Product, az érdekelt felek és a Leadership részvételével zajló interjúkban
Követelmények
- Számítástechnikai, gépi tanulási, matematikai vagy kapcsolódó kvantitatív területen szerzett MSc- vagy PhD-fokozat, illetve a mélytanulási szakértelmet igazoló egyenértékű gyakorlati tapasztalat
- Legalább 5 év gyakorlati tapasztalat gépi tanulási és mélytanulási rendszerek éles környezetben történő fejlesztésében és telepítésében
- 2-3 vagy több év tapasztalat kis ML- vagy kutatómérnöki csapat vezetésében vagy irányításában, beleértve a technikai iránymutatást, a szállítást, a toborzást és a munkatársak fejlesztését több alkalmazott MI-területen
- Mély gyakorlati szakértelem több alkalmazott MI-területen, többek között transzformer-alapú kis nyelvi modellekben, megerősítéses tanulásban, például PPO-, DQN- és Actor-Critic-változatokban, ágensalapú vagy eszközhasználó LLM-rendszerekben, számítógépes látásban vagy klasszikus gépi tanulásban
- Képesség arra, hogy minden problémához megfelelő technikai megközelítést válasszon
- Magas szintű Python- és PyTorch-ismeretek; a JAX vagy TensorFlow tapasztalat előnyt jelent
- Tapasztalat modellek több GPU-s klasztereken történő tanításában és finomhangolásában DeepSpeed, FSDP vagy Hugging Face Accelerate használatával
- Erős alapok lineáris algebrából, optimalizálásból, valószínűségszámításból és statisztikából
- Képesség a legújabb kutatási publikációk módszereinek értelmezésére, értékelésére és megvalósítására
- Bizonyított siker MI-modellek éles környezetbe juttatásában, beleértve az adatfolyamatokat, az értékelési keretrendszereket, a kvantálást vagy tömörítést, az inferencia optimalizálását, a konténereket, a Kubernetes-t, a felhőplatformokat és az élesítés utáni monitorozást
- Tapasztalat MLOps- és kísérletkezelő eszközökkel, például a Weights & Biases, az MLflow vagy hasonló platformok használatával
- Tapasztalat CI/CD-, kódellenőrzési és megfigyelhetőségi gyakorlatokkal
- Képesség kis technikai csapat vezetésére irány kijelölésével, 1:1 megbeszélések vezetésével, visszajelzés adásával, mérnökök toborzásával és a nem egyértelmű üzleti problémák telepíthető MI-rendszerekké alakításával
- Magabiztos angol nyelvtudás
- Gyakorlati technikai vezetői szemlélet, amelyben fontos, hogy közel maradjon a kódhoz, a modellekhez és az éles rendszerekhez
- Játékos-edző szemlélet
- Erős fókusz a modellek éles szállításán, telepítésén és mérésén
- Jó ítélőképesség az alkalmazott MI-lehetőségek értékelésekor
- Képes összetett ML-fogalmakat döntésekké és kompromisszumokká alakítani
- Képes hatékonyan dolgozni gyors tempójú, bizonytalan és technológiaintenzív környezetben összetett, többfunkciós kihívások kezelése mellett
- A vezető ML-fórumokon megjelent publikációk, kiberbiztonsági, adatvédelmi vagy identitáskezelési tapasztalat, valamint JAX- vagy TensorFlow-szakértelem előnyt jelent
Juttatások
- Rugalmas munkavégzési lehetőségek
- Fizetett szabadság
- Versenyképes juttatási csomag
- Munkavállalói juttatások
- Jólléti programok
- Támogatás, erőforrások és eszközök a kiemelkedő teljesítményhez és karrierfejlődéshez