DeepL
DeepL
DeepL hutengeneza zana za tafsiri zinazotumia AI ili kuwasaidia watu na mashirika kuwasiliana katika lugha mbalimbali. Teknolojia yake ya mitandao ya neva hutoa tafsiri zinazosikika kwa kawaida kwa matumizi mbalimbali ya kibinafsi na ya kibiashara. Kazi ya DeepL ipo katika makutano ya akili bandia na teknolojia ya lugha, na kuunga mkono bidhaa kwa watumiaji binafsi na biashara. Kampuni huajiri katika timu mbalimbali zinazounda na kutoa jukwaa lake la tafsiri.

Meneja Mwandamizi wa Uhandisi wa Kujifunza kwa Mashine, Utabiri wa Uzalishaji

Ongoza timu ya Utabiri wa Uzalishaji ya DeepL kujenga mifumo ya kutoa modeli iliyo thabiti na yenye ufanisi. Elekeza utafiti na uhandisi kwa jukwaa la kimataifa la AI ya Lugha.

Maelezo

  • Ongoza na kuendeleza wanasayansi wa utafiti na wahandisi wa kujifunza kwa mashine.
  • Tengeneza mipango ya maendeleo na kuhimiza mrejesho wa wazi usio na kulipiza kisasi.
  • Weka ramani ya utafiti na maendeleo ya mifumo ya utabiri wa uzalishaji.
  • Sawazisha mahitaji ya sasa ya uthabiti na utafiti wa muda mrefu kuhusu ufanisi na usanifu wa utabiri.
  • Ratibu kazi za kiufundi na timu za modeli za msingi, utafiti wa sauti na matumizi, miundombinu, na bidhaa.
  • Boresha uthabiti, ufanisi na gharama ya mkusanyiko wa kutoa modeli.
  • Weka mkakati wa kusawazisha mzigo, kuongeza uwezo kiotomatiki, kuchagua mazingira ya utekelezaji, na kutumia maunzi.
  • Weka mwelekeo wa timu na kufanikisha matokeo mahitaji yanapobadilika au yanapokuwa hayako wazi.
  • Tambua, tathmini na uajiri vipaji vya utafiti na uhandisi.
  • Changia katika mapitio ya kiufundi, maamuzi ya usanifu na mwelekeo wa utafiti wa mkusanyiko wa utabiri.

Mahitaji

  • Uzoefu wa kuongoza timu ya watafiti au wahandisi wa kujifunza kwa mashine.
  • Historia ya kuendeleza vipaji, kudumisha ukali wa utekelezaji na kusawazisha ubora wa utafiti na uthabiti wa uzalishaji.
  • Msingi imara katika sayansi ya kompyuta, hisabati, fizikia au taaluma nyingine ya kiasi inayolingana; au mchanganyiko sawa wa utaalamu wa kujifunza kwa mashine au mifumo na kina cha utafiti.
  • Uelewa imara wa mifumo ya kujifunza kwa mashine ya uzalishaji, uboreshaji wa utabiri, au utoaji wa modeli kwa kiwango kikubwa.
  • Uzoefu wa utabiri wa LLM, speculative decoding, quantization, au miundombinu ya utoaji modeli ni faida.
  • Uwezo wa kufanya kazi katika mzunguko mzima wa maisha ya modeli, kuanzia makabidhiano ya mafunzo hadi uzinduzi wa uzalishaji, ufuatiliaji na maboresho ya ufanisi.
  • Uelewa wa vikwazo vya miundombinu na uwezo wa kompyuta.
  • Ujuzi bora wa mawasiliano, ikiwemo uwezo wa kubadilisha mwelekeo changamano wa kiufundi kuwa malengo yaliyo wazi kwa wadau wa kiufundi na wasio wa kiufundi.
  • Mtazamo unaolenga suluhisho, uwezo wa kufanya maamuzi kwa uthabiti, na uwezo wa kuweka mwelekeo na kusukuma matokeo kwa kujitegemea.

Manufaa

  • Ratiba ya kazi mseto, huku timu ikiwa ofisini mara mbili kwa wiki.
  • Saa za kazi zinazoweza kubadilika.
  • Hisa pepe kwa kila mfanyakazi.
  • Matukio ya timu ya kukutana ana kwa ana mara kwa mara.
  • Vipindi vya mwezi mzima vya siku moja vya udukuzi wa programu vinavyoitwa Hack Fridays.
  • Siku 30 za likizo ya mwaka, bila kujumuisha sikukuu za umma.
  • Ufikiaji wa rasilimali za afya ya akili.
  • Manufaa yanayolingana na eneo la kila mfanyakazi.
  • Timu ya kimataifa inayofanya kazi katika maeneo mbalimbali.

Kazi Zinazohusiana

Eventogy

Meneja Mwandamizi wa Uhandisi wa Programu

Eventogy
11 – 50 Wafanyakazi
MasokoUsafiriUshauri

Ongoza utekelezaji wa uhandisi, shughuli za uzalishaji na utendaji wa timu kwa jukwaa la SaaS la Eventogy la usimamizi wa matukio. Hii ni nafasi ya kushiriki kazi moja kwa moja, iko London, na inahusisha kuandika msimbo kwa 20–30% ya wiki ya kazi.

Fungua