Applaudo er et nearshore-selskap innen programvareutvikling som hjelper organisasjoner med å modernisere teknologien og fremme digital omstilling. Selskapet ble grunnlagt i 2013 og kombinerer ekspertise innen programvareutvikling og rådgivning på områder som innovasjon og opplevelsesdesign, utvikling og vedlikehold av applikasjoner, kvalitetssikring, skyløsninger, kunstig intelligens, cybersikkerhet, dataløsninger og modernisering av apper. Applaudo betjener kunder innen blant annet sport, medier og underholdning, detaljhandel, forbruksvarer og finansielle tjenester. Selskapet støtter prosjekter som forbedrer digitale produkter, infrastruktur og levering av IT-tjenester. Med hovedkontor i Austin, Texas, og et kontor i San Salvador samler Applaudo et team på 501–1 000 medarbeidere som betjener virksomheter innen teknologi og digitale tjenester.
Senior dataforsker innen anvendt AI – entitetsmatching (fjernarbeid, Peru)
Hos Applaudo utvikler du modeller basert på embedding-er og store språkmodeller for å matche selskaper og entiteter. Du evaluerer store mengder støyfylte data og bygger presise AI-løsninger med avveininger mellom kostnad og skalerbarhet.
Beskrivelse
- Utvikle og evaluere maskinlæringsmetoder for matching av selskaper og entiteter.
- Lage matchingsmetoder med embedding-er og store språkmodeller.
- Utforme poengsettings- og rangeringsmetoder som skiller reelle treff fra duplikater, poster som ligner, og uvedkommende entiteter.
- Håndtere støyfylte data om navn, aliaser, domener, nettsteder, selskapsopplysninger, språk og datahierarkier.
- Opprette referansedatasett, evalueringsmålinger, grunnlinjer og feilanalyser.
- Planlegge og gjennomføre eksperimenter for å teste hypoteser.
- Sammenligne metoder med støtte fra store språkmodeller med mer kostnadseffektive alternativer.
- Undersøke modellatferd, grensetilfeller og avveininger.
- Ta hensyn til inferenskostnader og skalerbarhet fra start.
- Dele eksperimentresultater og anbefalinger med tekniske og kommersielle samarbeidspartnere.
- Etablere forskningsmetoder og eksperimentløp på egen hånd.
- Dokumentere både positive og negative eksperimentresultater tydelig.
Krav
- Minst fem års yrkeserfaring innen datavitenskap eller maskinlæring.
- Sterkt praktisk grunnlag innen maskinlæring.
- Svært gode ferdigheter i Python og SQL.
- Praktisk erfaring med embedding-er og semantisk likhet.
- Erfaring med å bruke store språkmodeller på reelle problemstillinger.
- Erfaring med supervisert og usupervisert læring.
- Solid bakgrunn innen klassifisering og naturlig språkbehandling.
- Arbeidskunnskap om nevrale nettverk og transformatorarkitekturer.
- Praktisk bruk av TensorFlow, PyTorch, PyCaret eller et tilsvarende maskinlæringsrammeverk.
- Erfaring med å trene opp på nytt eller vedlikeholde klassifiseringsmodeller i produksjon.
- Gode ferdigheter innen eksperimentdesign og modelevaluering.
- Erfaring med å etablere grunnlinjer, målinger, testsett og prosesser for feilanalyse.
- Evne til å vurdere modellkvalitet og vise målbare forbedringer.
- God forståelse av skalerbarhet og inferenskostnader innen maskinlæring.
- Gode engelskkunnskaper.
- Ønskelig: Erfaring med entitetsoppløsning, postkobling eller deduplisering.
- Ønskelig: Erfaring med rangering og likhetsskåring.
- Ønskelig: Kjennskap til informasjonsinnhenting, klyngedannelse eller teknikker for kandidatgenerering.
- Ønskelig: Erfaring med å utforme løsninger med store språkmodeller eller embedding-er innenfor kostnads- og skalerbarhetsrammer.
- Ønskelig: Kjennskap til Spark, Snowflake, Databricks eller BigQuery.
- Ønskelig: Erfaring med selskaps-, domene-, nettsted- eller firmografiske data.
- Ønskelig: Erfaring med flerspråklige datasett.
- Analytisk tilnærming og eksperimentell innstilling.
- Intellektuell ærlighet og vilje til å dele negative resultater.
- Evne til å arbeide selvstendig og ta initiativ.
- Svært god skriftlig og muntlig kommunikasjon.
- Evne til å forklare og underbygge tekniske anbefalinger overfor interessenter.
- Gode problemløsningsevner.
- Komfortabel med å arbeide med uklare rammer og store datasett.
- Evne til å balansere modellkvalitet, kostnad og skalerbarhet.
Fordeler
- Mulighet for fjernarbeid.
- Mulighet til å lære raskt og ta eierskap.
- Jobbe sammen med dyktige team.
- Jobbe med moderne AI-baserte løsninger og skalerbare produkter.
- En prestasjonsorientert kultur med vekt på kvalitet, samarbeid, respekt, åpenhet og effektiv kommunikasjon.