„Snorkel AI“ kuria ekspertinėmis žiniomis grindžiamus duomenų sprendimus mašininio mokymosi komandoms. Jos „Expert Data-as-a-Service“ platforma padeda organizacijoms kurti ir vertinti aukštos kokybės mokymo duomenų rinkinius, taip spartinant modelių kūrimą ir užtikrinant patikimesnes dirbtinio intelekto taikomąsias programas. 2019 m. iš Stanforde atliktų tyrimų įkurta bendrovė bendradarbiauja su konsultavimo, sveikatos priežiūros ir logistikos sričių organizacijomis, siekdama plėtoti praktines dirbtinio intelekto sistemas.
Pagrindinis taikomojo dirbtinio intelekto inžinierius, įmonių DI sprendimai
Vadovauk klientams skirtoms generatyvinio dirbtinio intelekto ir mašininio mokymosi iniciatyvoms įmonėje „Snorkel AI“ – nuo apimties nustatymo ir duomenų tyrimo iki diegimo. Kurk RAG sistemas, agentines darbo eigas, vertinimo sistemas ir pakartotinai naudojamus įrankius įmonių programoms.
Aprašymas
- Bendradarbiauk su klientais nustatant, kuriant ir diegiant generatyvinio dirbtinio intelekto bei mašininio mokymosi sprendimus.
- Kurk pritaikytus metodus naudodamas pažangius DI įrankius ir kartu prisidėk prie „Snorkel AI“ platformos bei įrankių formavimo.
- Kurk taikomojo DI sistemas, tokias kaip paieška papildyto generavimo programos, tikslinimo procesai, raginimų kūrimo metodai ir agentinės darbo eigos.
- Kurk papildytus realaus pasaulio duomenų rinkinius ir patikimus vertinimo procesus, gerinančius patikimumą, skaidrumą ir suinteresuotųjų šalių pasitikėjimą.
- Kurk ir palaikyk ryšius su klientų vadovais bei kitomis pagrindinėmis suinteresuotosiomis šalimis.
- Dirbk su ikipardavimo sprendimų ir produktų komandomis, kad suprastum klientų poreikius, nustatytum veiksmų plano prioritetus ir suplanuotum projektus.
- Standartizuok sėkmingus sprendimus ir kartu su kitais taikomojo DI inžinieriais stiprink vidinius įrankius bei praktiką.
- Paaiškink suinteresuotosioms šalims „Snorkel AI“ kiekybines galimybes, metodologinius kompromisus ir tinkamus naudojimo atvejus.
- Perduok produktų komandoms klientų atsiliepimus apie naujus DI metodus ir duomenų mokslo darbo eigas.
- Vadovauk seminarams, padedantiems klientams naudoti ir suprasti pristatytus sprendimus.
- Tyrinėk ir taikyk pažangiausius generatyvinio DI bei mašininio mokymosi metodus klientų problemoms spręsti.
Reikalavimai
- Kiekybinės krypties, pavyzdžiui, informatikos, inžinerijos, matematikos ar statistikos, bakalauro laipsnis arba lygiavertis išsilavinimas ir patirtis.
- Bent trejų metų darbo su klientais patirtis projektuojant ir įgyvendinant DI arba mašininio mokymosi sprendimus.
- Geras „Python“ išmanymas ir stipri programinės įrangos inžinerijos praktika, įskaitant modulinę architektūrą, testavimą, profiliavimą ir pakavimą.
- Patirtis naudojant šiuolaikinius „Python“ įrankius ir bibliotekas, tokias kaip pydantic, mypy, pytest, poetry, FastAPI, msgspec, Ray ir Airflow.
- Pažangios žinios apie visą taikomojo DI technologijų steką, įskaitant scikit-learn, PyTorch, Hugging Face Transformers, FAISS, pandas, Spark, Chroma, Weaviate, sintetinių duomenų rinkinių kuravimą, vertinimo darbo eigas, LLM orkestravimą, LlamaIndex, LangGraph ir CrewAI.
- Įrodyta, kad gebi vadovauti strateginiams klientų projektams ir bendradarbiauti su verslo suinteresuotosiomis šalimis siekiant sėkmingų mašininio mokymosi rezultatų.
- Didelis susidomėjimas mokymu, įgalinimu ir dalijimusi žiniomis.
- Puikūs pristatymo įgūdžiai bendraujant tiek su techninėmis auditorijomis, tiek su vadovais.
- Gebėjimas dirbti sparčiai besikeičiančioje aplinkoje ir valdyti kelių projektų prioritetus.
- Galimybė per metus keliauti iki 25 procentų.
Privalumai
- Akcijų dalis įtraukiama į kiekvieną pasiūlymą.
- Galimybės formuoti prioritetus, vadovauti iniciatyvoms ir daryti įtaką svarbiems strateginiams sprendimams.
- Daugybė būdų gilinti technines žinias, siekti vadovavimo ir ugdyti įgūdžius skirtingose funkcijose.
- Karjeros palaikymas darbo vietoje, kurioje daugiausia dėmesio skiriama augimui, mokymuisi ir bendrai sėkmei.
- Kandidatams ir darbuotojams su negalia viso kandidatavimo, pokalbio ir įdarbinimo proceso metu teikiamos pagrįstos pritaikymo priemonės.