Applaudo — компания по разработке программного обеспечения в формате nearshore, помогающая организациям модернизировать технологии и продвигать цифровую трансформацию. Основанная в 2013 году, компания объединяет экспертизу в разработке программного обеспечения и консалтинге в таких направлениях, как инновации и проектирование пользовательского опыта, разработка и сопровождение приложений, обеспечение качества, облачные решения, искусственный интеллект, кибербезопасность, решения для работы с данными и модернизация приложений. Applaudo обслуживает клиентов из таких отраслей, как спорт, медиа и развлечения, розничная торговля, товары повседневного спроса и финансовые услуги, поддерживая проекты, направленные на улучшение цифровых продуктов, инфраструктуры и предоставления ИТ-услуг. Штаб-квартира компании находится в Остине, штат Техас, а офис — в Сан-Сальвадоре. В Applaudo работает от 501 до 1 000 сотрудников, обслуживающих компании в сфере технологий и цифровых услуг.
Старший специалист по прикладной науке о данных — сопоставление сущностей (удалённо, Перу)
В Applaudo вы будете разрабатывать модели на основе эмбеддингов и больших языковых моделей для сопоставления компаний и сущностей. Вы будете оценивать масштабные зашумлённые данные и создавать точные ИИ-решения с практичным балансом стоимости и масштабируемости.
Описание
- Разрабатывать и оценивать методы машинного обучения для сопоставления компаний и сущностей.
- Создавать подходы к сопоставлению на основе эмбеддингов и больших языковых моделей.
- Разрабатывать методы оценки и ранжирования, позволяющие отличать реальные совпадения от дубликатов, похожих записей и несвязанных сущностей.
- Работать с зашумлёнными данными: названиями, псевдонимами, доменами, сайтами, фирмографическими сведениями, языками и иерархиями данных.
- Создавать эталонные наборы данных, метрики оценки, базовые модели и процессы анализа ошибок.
- Планировать и проводить эксперименты для проверки гипотез.
- Сравнивать методы с применением больших языковых моделей с более экономичными вариантами.
- Исследовать поведение моделей, крайние случаи и компромиссы.
- С самого начала учитывать стоимость инференса и масштабируемость.
- Делиться результатами экспериментов и рекомендациями с инженерными и бизнес-командами.
- Самостоятельно выстраивать исследовательские методы и конвейеры экспериментов.
- Чётко фиксировать как положительные, так и отрицательные результаты экспериментов.
Требования
- Не менее пяти лет профессионального опыта в области науки о данных или машинного обучения.
- Прочная практическая база в машинном обучении.
- Отличное владение Python и SQL.
- Практический опыт работы с эмбеддингами и семантическим сходством.
- Опыт применения больших языковых моделей для решения практических задач.
- Опыт работы с обучением с учителем и без учителя.
- Глубокие знания классификации и обработки естественного языка.
- Знание нейронных сетей и архитектур трансформеров.
- Практический опыт работы с TensorFlow, PyTorch, PyCaret или сопоставимым фреймворком машинного обучения.
- Опыт переобучения или поддержки классификационных моделей в промышленной среде.
- Отличные навыки планирования экспериментов и оценки моделей.
- Опыт определения базовых показателей, метрик, тестовых наборов и процессов анализа ошибок.
- Умение оценивать качество моделей и демонстрировать измеримые улучшения.
- Глубокое понимание масштабируемости и стоимости инференса в машинном обучении.
- Уверенное владение английским языком для общения.
- Будет преимуществом: опыт разрешения сущностей, связывания записей или дедупликации.
- Будет преимуществом: опыт работы с ранжированием и оценкой сходства.
- Будет преимуществом: знакомство с методами поиска, кластеризации или генерации кандидатов.
- Будет преимуществом: опыт проектирования решений на основе больших языковых моделей или эмбеддингов с учётом стоимости и масштабируемости.
- Будет преимуществом: знакомство со Spark, Snowflake, Databricks или BigQuery.
- Будет преимуществом: опыт работы с данными о компаниях, доменах, сайтах или фирмографическими данными.
- Будет преимуществом: опыт работы с многоязычными наборами данных.
- Аналитический подход и экспериментальный настрой.
- Интеллектуальная честность и готовность делиться отрицательными результатами.
- Способность работать самостоятельно и проявлять инициативу.
- Отличные навыки письменного и устного общения.
- Умение объяснять технические рекомендации заинтересованным сторонам и аргументированно их отстаивать.
- Сильные навыки решения проблем.
- Готовность работать в условиях неопределённости и с масштабными наборами данных.
- Умение находить баланс между качеством моделей, стоимостью и масштабируемостью.
Преимущества
- Возможность работать удалённо.
- Возможность быстро учиться и брать на себя ответственность.
- Работа в команде сильных специалистов.
- Работа над современными решениями на основе ИИ и масштабируемыми продуктами.
- Культура высокой эффективности, основанная на стремлении к совершенству, командной работе, уважении, прозрачности и эффективном общении.