Ford Motor Company je avtomobilski proizvajalec s sedežem v Združenih državah Amerike, katerega zgodovina sega v leto 1903. Poleg razvoja in proizvodnje vozil podjetje širi svoje področje delovanja na storitve mobilnosti, digitalne izkušnje in programsko opremo. Ford se posveča tudi trajnostnim prizadevanjem in okoljskim ciljem ter s tem povezuje promet, inovacije, vpliv na skupnost in odgovorne poslovne prakse.
Podatkovni znanstvenik za NLP in generativno umetno inteligenco pri Fordu, Indija – hibridno delo
Razvijajte izdelke NLP, LLM in generativne umetne inteligence za avtomobilske primere uporabe pri Fordu. Gradite multimodalne cevovode, agentske delovne tokove, API-je in uporabniške aplikacije v velikem obsegu.
Opis
- Ustvarjajte aplikacije in izdelke NLP, LLM ter generativne umetne inteligence z discipliniranimi praksami programiranja.
- Ocenjujte napredne modele in metode za avtomobilske aplikacije.
- Izvajajte poskuse strojnega učenja za učenje modelov in sklepanje pri omejitvah pomnilnika in zakasnitve.
- Uvajajte REST API-je NLP in lahke uporabniške vmesnike z Dockerjem in Kubernetesom.
- Predstavljajte aplikacije NLP, LLM in generativne umetne inteligence z orodji Dash, Plotly in Streamlit.
- Združujte več botov v multimodalne aplikacije, ki jih poganjajo LLM-ji.
- Ustvarjajte agentske delovne tokove z orodji Autogen, AgentBuilder in LangGraph.
- Razvijajte modularne izdelke umetne inteligence in strojnega učenja, zasnovane za razširljivo uporabo.
- Sodelujte z globalnimi tehničnimi strokovnjaki pri izdelkih za klasifikacijo, odgovarjanje na vprašanja, klepetalne robote, prevajanje, semantično iskanje in povzemanje.
Zahteve
- Diploma prve ali druge stopnje iz računalništva, inženirstva, matematike ali sorodnega naravoslovnega področja.
- Razumevanje teorije in praks globokega učenja za aplikacije NLP.
- Izkušnje s programiranjem z orodji ADK, A2A, AgentSkills, Ontology, Hugging Face, LangGraph, LangChain, Chainlit, TensorFlow ali PyTorch, scikit-learn, NumPy in Pandas.
- Poznavanje vsaj dveh odprtokodnih knjižnic NLP, kot so spaCy, TorchText, fastai.text ali FARM Haystack.
- Poznavanje tehnik obdelave besedila, vključno z regularnimi izrazi, analizo tokenov in besed, popravljanjem črkovanja, zmanjševanjem šuma, segmentacijo stavkov in gručenjem.
- Praktične izkušnje z uvajanjem modelov BERT ali drugih fino nastavljenih transformatorjev za klasifikacijo zaporedij, prepoznavanje poimenovanih entitet ali odgovarjanje na vprašanja.
- Poznavanje Dockra in okolij pipenv, conda ali Poetry.
- Poznavanje praks upravljanja projektov Python, vključno z setup.py, beleženjem, pytestom, relativnimi uvozi in dokumentacijo Sphinx.
- Poznavanje delovnih tokov GitHub.
- Izkušnje s storitvami GCP, vključno z BigQuery, Cloud Functions, Cloud Run, Cloud Build in Vertex AI.
- Delovno poznavanje odprtokodnih orodij za primerjalno testiranje in ustvarjanje povzetkov.
- Izkušnje z uporabo virov GPU in CPU v oblačnih in lokalnih okoljih.
- Sposobnost uporabe oblačnih platform za podatkovno inženirstvo, velepodatke in delovne obremenitve strojnega učenja.
- Izkušnje z Dockerjem, docker-compose in eksperimentalnimi zmožnostmi Dockra.
- Poznavanje Airflowa in Kubeflowa.
- Izkušnje s CI/CD in orodji za infrastrukturo kot kodo, kot je Terraform.
- Izkušnje s Kubernetesom ali drugimi kontejnerskimi platformami, vključno s Helmom in Argo Workflows.
- Sposobnost ustvarjanja skladnih, etičnih, varnih in zaščitenih API-jev umetne inteligence.
- Izkušnje z razvojem uporabniških vmesnikov ali vizualizacij z orodji Gradio, Dash, Streamlit, React ali Django.
- Izkušnje z distribuiranim računanjem s Sparkom, Daskom, RAPIDS AI ali cuDF.
- Sposobnost izdelave API-jev Python s FastAPI, Flask ali Django.
- Izkušnje z Elasticsearchom in Apache Solr so prednost; relevantne so tudi izkušnje z vektorskimi podatkovnimi zbirkami.
- Izkušnje z delom z LLM-ji, kot so GPT-5, Gemini, Kimi ali Seedance.
- Izkušnje s celotnim življenjskim ciklom generativnih modelov umetne inteligence, vključno z učenjem, testiranjem, uvajanjem in spremljanjem zmogljivosti.
- Izkušnje z razvojem in vzdrževanjem multimodalnih cevovodov umetne inteligence za besedilo, slike in zvok.
- Praktične izkušnje z uvajanjem klepetalnih robotov ali pogovornih agentov v velikem obsegu in pri različnih virih podatkov.
- Izkušnje z ustvarjanjem orodij za generiranje slik ali prevajanje z modeli latentne difuzije, kot sta Stable Diffusion ali Instruct Pix2Pix.
- Strokovno znanje dela z obsežnimi strukturiranimi in nestrukturiranimi podatki.
- Izkušnje z upravljanjem obsežnih podatkovnih zbirk in izhodov generativne umetne inteligence.
- Odlične komunikacijske in sodelovalne sposobnosti med geografskimi regijami.