Applaudo to firma zajmująca się nearshore’owym tworzeniem oprogramowania, która pomaga organizacjom modernizować technologie i rozwijać transformację cyfrową. Założona w 2013 roku firma łączy kompetencje w zakresie inżynierii oprogramowania i doradztwa w obszarach innowacji i projektowania doświadczeń, tworzenia i utrzymania aplikacji, zapewniania jakości, rozwiązań chmurowych, sztucznej inteligencji, cyberbezpieczeństwa, rozwiązań danych oraz modernizacji aplikacji. Applaudo obsługuje klientów z sektorów takich jak sport, media i rozrywka, handel detaliczny, towary konsumpcyjne oraz usługi finansowe, wspierając projekty mające na celu usprawnianie produktów cyfrowych, infrastruktury i dostarczania usług IT. Siedziba firmy znajduje się w Austin w Teksasie, a biuro — w San Salvador. Applaudo zatrudnia od 501 do 1 000 pracowników obsługujących firmy z obszaru technologii i usług cyfrowych.
Starszy specjalista ds. stosowanej nauki o danych — dopasowywanie encji (praca zdalna, Peru)
W Applaudo będziesz tworzyć modele oparte na embeddingach i dużych modelach językowych, które dopasowują firmy i encje. Będziesz oceniać zaszumione dane na dużą skalę i budować dokładne rozwiązania AI z praktycznym uwzględnieniem kosztów i skalowalności.
Opis
- Tworzyć i oceniać metody uczenia maszynowego służące do dopasowywania firm i encji.
- Opracowywać metody dopasowywania oparte na embeddingach i dużych modelach językowych.
- Projektować metody oceny i rankingowania, które odróżniają prawdziwe dopasowania od duplikatów, podobnych rekordów i niepowiązanych encji.
- Pracować z zaszumionymi danymi obejmującymi nazwy, aliasy, domeny, strony internetowe, dane firmograficzne, języki i hierarchie danych.
- Przygotowywać zbiory referencyjne, metryki oceny, modele bazowe i procesy analizy błędów.
- Planować i przeprowadzać eksperymenty w celu weryfikacji hipotez.
- Porównywać metody wspomagane przez duże modele językowe z bardziej ekonomicznymi rozwiązaniami.
- Analizować działanie modeli, przypadki brzegowe i kompromisy.
- Od początku uwzględniać koszty inferencji i skalowalność.
- Dzielić się wynikami eksperymentów i rekomendacjami z zespołami inżynieryjnymi i biznesowymi.
- Samodzielnie opracowywać metody badawcze i potoki eksperymentalne.
- Jasno dokumentować zarówno pozytywne, jak i negatywne wyniki eksperymentów.
Wymagania
- Co najmniej pięć lat doświadczenia zawodowego w dziedzinie nauki o danych lub uczenia maszynowego.
- Solidne praktyczne podstawy uczenia maszynowego.
- Bardzo dobra znajomość Pythona i SQL.
- Praktyczne doświadczenie w pracy z embeddingami i podobieństwem semantycznym.
- Doświadczenie w stosowaniu dużych modeli językowych do rzeczywistych problemów.
- Doświadczenie w uczeniu nadzorowanym i nienadzorowanym.
- Rozległa wiedza z zakresu klasyfikacji i przetwarzania języka naturalnego.
- Praktyczna znajomość sieci neuronowych i architektur transformerów.
- Praktyczne doświadczenie z TensorFlow, PyTorch, PyCaret lub porównywalnym frameworkiem uczenia maszynowego.
- Doświadczenie w ponownym trenowaniu lub utrzymywaniu produkcyjnych modeli klasyfikacyjnych.
- Bardzo dobre umiejętności projektowania eksperymentów i oceny modeli.
- Doświadczenie w ustalaniu wartości bazowych, metryk, zbiorów testowych i procesów analizy błędów.
- Umiejętność oceny jakości modeli i wykazywania mierzalnych postępów.
- Dogłębne rozumienie skalowalności i kosztów inferencji w uczeniu maszynowym.
- Bardzo dobra znajomość angielskiego w komunikacji.
- Dodatkowym atutem będzie: doświadczenie w rozstrzyganiu tożsamości encji, łączeniu rekordów lub deduplikacji.
- Dodatkowym atutem będzie: doświadczenie w rankingowaniu i ocenie podobieństwa.
- Dodatkowym atutem będzie: znajomość metod wyszukiwania, klasteryzacji lub generowania kandydatów.
- Dodatkowym atutem będzie: doświadczenie w projektowaniu rozwiązań opartych na dużych modelach językowych lub embeddingach z uwzględnieniem kosztów i skali.
- Dodatkowym atutem będzie: znajomość Spark, Snowflake, Databricks lub BigQuery.
- Dodatkowym atutem będzie: doświadczenie w pracy z danymi o firmach, domenach, stronach internetowych lub danymi firmograficznymi.
- Dodatkowym atutem będzie: doświadczenie w pracy z wielojęzycznymi zbiorami danych.
- Analityczne podejście i nastawienie na eksperymentowanie.
- Uczciwość intelektualna i gotowość do dzielenia się negatywnymi wynikami.
- Umiejętność samodzielnej pracy i wykazywania inicjatywy.
- Bardzo dobre umiejętności komunikacji pisemnej i ustnej.
- Umiejętność wyjaśniania rekomendacji technicznych interesariuszom i ich uzasadniania.
- Doskonałe umiejętności rozwiązywania problemów.
- Swoboda w pracy z niejednoznacznymi zagadnieniami i dużymi zbiorami danych.
- Umiejętność równoważenia jakości modeli, kosztów i skalowalności.
Benefity
- Możliwość pracy zdalnej.
- Możliwość szybkiego rozwoju i przejmowania odpowiedzialności.
- Praca z kompetentnymi zespołami.
- Praca nad nowoczesnymi rozwiązaniami opartymi na AI i skalowalnymi produktami.
- Kultura wysokiej efektywności oparta na dążeniu do doskonałości, pracy zespołowej, szacunku, transparentności i skutecznej komunikacji.