Applaudo, kuruluşların teknolojilerini modernleştirmelerine ve dijital dönüşümlerini ilerletmelerine yardımcı olmaya odaklanan bir nearshore yazılım geliştirme şirketidir. 2013 yılında kurulan şirket; inovasyon ve deneyim tasarımı, uygulama geliştirme ve bakımı, kalite güvencesi, bulut çözümleri, yapay zekâ, siber güvenlik, veri çözümleri ve uygulama modernizasyonu alanlarında yazılım mühendisliği ile danışmanlık uzmanlığını bir araya getirir. Applaudo; spor, medya ve eğlence, perakende, hızlı tüketim ürünleri ve finansal hizmetler gibi sektörlerdeki müşterilerine hizmet vererek dijital ürünleri, altyapıyı ve BT hizmet sunumunu geliştiren projeleri destekler. Merkezi Austin, Teksas'ta, ofisi ise San Salvador'da bulunan Applaudo, teknoloji ve dijital hizmetler alanında faaliyet gösteren işletmelere hizmet veren 501–1.000 kişilik bir ekibi bir araya getirir.
Kıdemli Uygulamalı Veri Bilimci – Varlık Eşleştirme (Uzaktan, Peru)
Applaudo’da şirketleri ve varlıkları eşleştirmek için gömme ve LLM tabanlı modeller geliştirin. Gürültülü, büyük ölçekli verileri değerlendirerek maliyet ve ölçek arasında pratik denge kuran, doğru yapay zekâ çözümleri oluşturun.
Açıklama
- Şirketleri ve varlıkları eşleştirmeye yönelik makine öğrenimi yöntemleri geliştirin ve değerlendirin.
- Gömme yöntemleri ve büyük dil modelleriyle eşleştirme yaklaşımları oluşturun.
- Gerçek eşleşmeleri yinelenen kayıtlardan, benzer görünen kayıtlardan ve ilgisiz varlıklardan ayıran puanlama ve sıralama yöntemleri tasarlayın.
- Adlar, diğer adlar, alan adları, web siteleri, firma bilgileri, diller ve veri hiyerarşilerindeki gürültülü verilerle çalışın.
- Kıyaslama veri kümeleri, değerlendirme ölçütleri, temel yöntemler ve hata analizi süreçleri oluşturun.
- Varsayımları sınamak için deneyler planlayıp yürütün.
- LLM destekli yöntemleri daha ekonomik seçeneklerle karşılaştırın.
- Model davranışlarını, uç durumları ve ödünleşimleri inceleyin.
- Çıkarım maliyetlerini ve ölçeklenebilirliği en baştan hesaba katın.
- Deney sonuçlarını ve önerileri mühendislik ve iş ortaklarıyla paylaşın.
- Araştırma yöntemlerini ve deney süreçlerini bağımsız olarak oluşturun.
- Olumlu ve olumsuz deney sonuçlarını açıkça kaydedin.
Gereksinimler
- Veri bilimi veya makine öğrenimi alanında en az beş yıllık profesyonel deneyim.
- Makine öğreniminde güçlü uygulamalı temeller.
- İleri düzey Python ve SQL becerileri.
- Gömme yöntemleri ve anlamsal benzerlik konusunda uygulamalı deneyim.
- Büyük dil modellerini gerçek dünya sorunlarına uygulama deneyimi.
- Denetimli ve denetimsiz öğrenme deneyimi.
- Sınıflandırma ve doğal dil işleme alanlarında güçlü bir altyapı.
- Sinir ağları ve dönüştürücü mimariler hakkında çalışma bilgisi.
- TensorFlow, PyTorch, PyCaret veya benzer bir makine öğrenimi çerçevesini uygulamalı kullanma deneyimi.
- Üretim ortamındaki sınıflandırma modellerini yeniden eğitme veya bakımını yapma deneyimi.
- Deney tasarımı ve model değerlendirme konusunda güçlü beceriler.
- Temel yöntemler, ölçütler, test kümeleri ve hata analizi süreçleri belirleme deneyimi.
- Model kalitesini değerlendirme ve ölçülebilir kazanımları gösterme becerisi.
- Ölçeklenebilirlik ve makine öğrenimi çıkarım maliyetleri konusunda güçlü anlayış.
- Güçlü İngilizce iletişim becerileri.
- Tercihen: Varlık çözümleme, kayıt bağlama veya tekilleştirme deneyimi.
- Tercihen: Sıralama ve benzerlik puanlama deneyimi.
- Tercihen: Bilgi erişimi, kümeleme veya aday oluşturma tekniklerine aşinalık.
- Tercihen: Maliyet ve ölçek kısıtları içinde LLM veya gömme çözümleri tasarlama deneyimi.
- Tercihen: Spark, Snowflake, Databricks veya BigQuery bilgisi.
- Tercihen: Şirket, alan adı, web sitesi veya firma verileriyle çalışma deneyimi.
- Tercihen: Çok dilli veri kümeleriyle çalışma deneyimi.
- Analitik yaklaşım ve deneysel düşünce yapısı.
- Entelektüel dürüstlük ve olumsuz sonuçları paylaşma isteği.
- Bağımsız çalışabilme ve inisiyatif alma.
- Yazılı ve sözlü iletişimde yetkinlik.
- Teknik önerileri paydaşlara açıklayabilme ve savunabilme.
- Güçlü problem çözme becerileri.
- Belirsizlik ve büyük ölçekli veri kümeleriyle çalışmaya yatkınlık.
- Model kalitesi, maliyet ve ölçeklenebilirlik arasında denge kurabilme.
Yan Haklar
- Uzaktan çalışma seçeneği.
- Hızlı öğrenme ve sorumluluk alma fırsatı.
- Yetkin ekiplerle birlikte çalışma.
- Modern yapay zekâ tabanlı çözümler ve ölçeklenebilir ürünler üzerinde çalışma.
- Mükemmeliyet, ekip çalışması, saygı, şeffaflık ve etkili iletişimi merkeze alan yüksek performans kültürü.