Applaudo je nearshore spoločnosť zaoberajúca sa vývojom softvéru, ktorá pomáha organizáciám modernizovať technológie a napredovať v digitálnej transformácii. Spoločnosť bola založená v roku 2013 a spája odborné znalosti v oblasti softvérového inžinierstva a poradenstva v oblastiach inovácií a dizajnu používateľských skúseností, vývoja a údržby aplikácií, zabezpečenia kvality, cloudových riešení, umelej inteligencie, kybernetickej bezpečnosti, dátových riešení a modernizácie aplikácií. Applaudo poskytuje služby klientom z odvetví vrátane športu, médií a zábavy, maloobchodu, spotrebného baleného tovaru a finančných služieb a podporuje projekty, ktoré zlepšujú digitálne produkty, infraštruktúru a poskytovanie IT služieb. So sídlom v Austine v Texase a pobočkou v San Salvadore spája Applaudo tím 501 až 1 000 zamestnancov, ktorí poskytujú služby firmám v oblasti technológií a digitálnych služieb.
Senior dátový vedec pre aplikovaný výskum – párovanie entít (práca na diaľku, Peru)
V spoločnosti Applaudo budete vyvíjať modely založené na vektorových reprezentáciách a veľkých jazykových modeloch na párovanie spoločností a entít. Budete vyhodnocovať rozsiahle zašumené dáta a vytvárať presné riešenia umelej inteligencie s praktickým zohľadnením nákladov a škálovateľnosti.
Popis
- Vyvíjať a vyhodnocovať metódy strojového učenia na párovanie spoločností a entít.
- Vytvárať prístupy na párovanie pomocou vektorových reprezentácií a veľkých jazykových modelov.
- Navrhovať metódy bodovania a zoradenia, ktoré rozlišujú skutočné zhody od duplikátov, podobne vyzerajúcich záznamov a nesúvisiacich entít.
- Spracúvať zašumené dáta týkajúce sa názvov, aliasov, domén, webových stránok, firemných údajov, jazykov a hierarchií dát.
- Pripravovať referenčné dátové súbory, hodnotiace metriky, základné modely a analýzy chýb.
- Plánovať a vykonávať experimenty na overovanie hypotéz.
- Porovnávať metódy s podporou veľkých jazykových modelov s úspornejšími možnosťami.
- Skúmať správanie modelov, okrajové prípady a kompromisy.
- Od začiatku zohľadňovať náklady na inferenciu a škálovateľnosť.
- Zdieľať výsledky experimentov a odporúčania s technickými a obchodnými partnermi.
- Samostatne nastavovať výskumné metódy a experimentálne procesy.
- Jasne zaznamenávať pozitívne aj negatívne výsledky experimentov.
Požiadavky
- Aspoň päť rokov odbornej praxe v oblasti dátovej vedy alebo strojového učenia.
- Pevné praktické základy strojového učenia.
- Výborná znalosť Pythonu a SQL.
- Praktické skúsenosti s vektorovými reprezentáciami a sémantickou podobnosťou.
- Skúsenosti s využívaním veľkých jazykových modelov pri riešení reálnych problémov.
- Skúsenosti s učením s učiteľom aj bez učiteľa.
- Pevné znalosti klasifikácie a spracovania prirodzeného jazyka.
- Pracovná znalosť neurónových sietí a architektúr transformerov.
- Praktické skúsenosti s TensorFlow, PyTorch, PyCaret alebo porovnateľným rámcom strojového učenia.
- Skúsenosti s opätovným trénovaním alebo údržbou produkčných klasifikačných modelov.
- Dobré zručnosti v oblasti návrhu experimentov a vyhodnocovania modelov.
- Skúsenosti s nastavovaním základných hodnôt, metrík, testovacích množín a procesov analýzy chýb.
- Schopnosť posudzovať kvalitu modelov a preukázať merateľné zlepšenia.
- Pevné porozumenie škálovateľnosti a nákladom na inferenciu strojového učenia.
- Dobré komunikačné schopnosti v angličtine.
- Výhodou: skúsenosti s riešením entít, prepájaním záznamov alebo odstraňovaním duplikátov.
- Výhodou: skúsenosti so zoradením a bodovaním podobnosti.
- Výhodou: znalosť vyhľadávania, zhlukovania alebo techník generovania kandidátov.
- Výhodou: skúsenosti s návrhom riešení založených na veľkých jazykových modeloch alebo vektorových reprezentáciách pri obmedzeniach nákladov a škálovateľnosti.
- Výhodou: znalosť Spark, Snowflake, Databricks alebo BigQuery.
- Výhodou: skúsenosti s údajmi o spoločnostiach, doménach, webových stránkach alebo firemnými údajmi.
- Výhodou: skúsenosti s viacjazyčnými dátovými súbormi.
- Analytický prístup a experimentálne myslenie.
- Intelektuálna poctivosť a ochota zdieľať aj negatívne výsledky.
- Schopnosť pracovať samostatne a preberať iniciatívu.
- Výborné písomné aj ústne komunikačné schopnosti.
- Schopnosť vysvetľovať a obhajovať technické odporúčania pred zainteresovanými stranami.
- Dobré schopnosti riešiť problémy.
- Pohodlie pri práci s nejednoznačnými zadaniami a rozsiahlymi dátovými súbormi.
- Schopnosť vyvažovať kvalitu modelu, náklady a škálovateľnosť.
Benefity
- Možnosť práce na diaľku.
- Príležitosť rýchlo sa učiť a prevziať zodpovednosť.
- Spolupráca so skúsenými tímami.
- Práca na moderných riešeniach založených na umelej inteligencii a škálovateľných produktoch.
- Kultúra vysokého výkonu založená na excelentnosti, tímovej práci, rešpekte, transparentnosti a efektívnej komunikácii.