Applaudo ialah syarikat pembangunan perisian nearshore yang memberi tumpuan untuk membantu organisasi memodenkan teknologi dan memajukan transformasi digital. Ditubuhkan pada tahun 2013, syarikat ini menggabungkan kepakaran kejuruteraan perisian dan perundingan dalam inovasi dan reka bentuk pengalaman, pembangunan dan penyelenggaraan aplikasi, jaminan kualiti, penyelesaian awan, kecerdasan buatan, keselamatan siber, penyelesaian data, serta pemodenan aplikasi. Applaudo berkhidmat untuk pelanggan dalam sektor sukan, media dan hiburan, peruncitan, barangan berbungkus pengguna, serta perkhidmatan kewangan, dengan menyokong projek yang menambah baik produk digital, infrastruktur dan penyampaian IT. Dengan ibu pejabat di Austin, Texas, serta pejabat di San Salvador, Applaudo menghimpunkan 501–1,000 pekerja untuk berkhidmat kepada perniagaan dalam landskap teknologi dan perkhidmatan digital.
Saintis Data Gunaan Kanan – Pemadanan Entiti (Jarak Jauh, Peru)
Di Applaudo, bangunkan model berasaskan embedding dan LLM untuk memadankan syarikat dan entiti. Nilai data berskala besar yang bising untuk membina penyelesaian AI yang tepat dengan mengambil kira kos dan skala secara praktikal.
Penerangan
- Bina dan nilai kaedah pembelajaran mesin untuk memadankan syarikat dan entiti.
- Cipta pendekatan pemadanan menggunakan embedding dan model bahasa besar.
- Reka kaedah pemarkahan dan pemeringkatan yang membezakan padanan sebenar daripada pendua, rekod yang kelihatan serupa, dan entiti yang tidak berkaitan.
- Urus data bising merentas nama, alias, domain, laman web, butiran firmografi, bahasa, dan hierarki data.
- Sediakan set data penanda aras, metrik penilaian, garis dasar, dan analisis ralat.
- Rancang dan jalankan eksperimen untuk menguji hipotesis.
- Bandingkan kaedah berbantukan LLM dengan pilihan yang lebih menjimatkan.
- Kaji tingkah laku model, kes pinggir, dan pertukaran yang terlibat.
- Ambil kira kos inferens dan kebolehskalaan sejak awal.
- Kongsi hasil eksperimen dan saranan dengan rakan niaga daripada bidang kejuruteraan dan perniagaan.
- Sediakan kaedah penyelidikan dan saluran eksperimen secara kendiri.
- Rekodkan hasil eksperimen positif dan negatif dengan jelas.
Keperluan
- Sekurang-kurangnya lima tahun pengalaman profesional dalam sains data atau pembelajaran mesin.
- Asas praktikal yang kukuh dalam pembelajaran mesin.
- Kemahiran Python dan SQL yang cemerlang.
- Pengalaman praktikal menggunakan embedding dan keserupaan semantik.
- Pengalaman menggunakan model bahasa besar untuk masalah dunia sebenar.
- Pengalaman dengan pembelajaran terselia dan tidak terselia.
- Latar belakang yang kukuh dalam pengelasan dan pemprosesan bahasa semula jadi.
- Pengetahuan kerja tentang rangkaian neural dan seni bina transformer.
- Pengalaman langsung menggunakan TensorFlow, PyTorch, PyCaret, atau rangka kerja pembelajaran mesin yang setara.
- Pengalaman melatih semula atau menyelenggara model pengelasan dalam persekitaran produksi.
- Kemahiran yang kukuh dalam reka bentuk eksperimen dan penilaian model.
- Pengalaman menetapkan garis dasar, metrik, set ujian, dan proses analisis ralat.
- Mampu menilai kualiti model dan menunjukkan peningkatan yang boleh diukur.
- Pemahaman yang kukuh tentang kebolehskalaan dan kos inferens pembelajaran mesin.
- Kemahiran komunikasi bahasa Inggeris yang kukuh.
- Diutamakan: Pengalaman dalam resolusi entiti, pemautan rekod, atau penyahduplikasian.
- Diutamakan: Pengalaman dengan pemeringkatan dan pemarkahan keserupaan.
- Diutamakan: Pengetahuan tentang teknik perolehan semula, pengelompokan, atau penjanaan calon.
- Diutamakan: Pengalaman mereka bentuk penyelesaian LLM atau embedding dengan kekangan kos dan skala.
- Diutamakan: Pengetahuan tentang Spark, Snowflake, Databricks, atau BigQuery.
- Diutamakan: Pengalaman bekerja dengan data syarikat, domain, laman web, atau firmografi.
- Diutamakan: Pengalaman bekerja dengan set data berbilang bahasa.
- Pendekatan analitis dan minda eksperimental.
- Jujur dari segi intelektual dan sedia berkongsi hasil negatif.
- Mampu bekerja secara autonomi dan mengambil inisiatif.
- Kemahiran komunikasi lisan dan bertulis yang cemerlang.
- Mampu menerangkan dan menyokong saranan teknikal kepada pihak berkepentingan.
- Kemahiran menyelesaikan masalah yang kukuh.
- Selesa bekerja dalam keadaan yang samar-samar dan dengan set data berskala besar.
- Mampu mengimbangi kualiti model, kos, dan kebolehskalaan.
Faedah
- Pilihan untuk bekerja dari jauh.
- Peluang untuk belajar dengan pantas dan memikul tanggungjawab.
- Bekerja bersama pasukan yang berkemahiran.
- Mengusahakan penyelesaian berasaskan AI moden dan produk yang boleh diskalakan.
- Budaya berprestasi tinggi yang berteraskan kecemerlangan, kerja berpasukan, rasa hormat, ketelusan, dan komunikasi berkesan.