Applaudo — компанія з nearshore-розробки програмного забезпечення, яка допомагає організаціям модернізувати технології та розвивати цифрову трансформацію. Заснована у 2013 році, компанія поєднує експертизу в розробці програмного забезпечення та консалтингу в таких напрямах, як інновації та проєктування користувацького досвіду, розробка й супровід застосунків, забезпечення якості, хмарні рішення, штучний інтелект, кібербезпека, рішення для роботи з даними та модернізація застосунків. Applaudo обслуговує клієнтів у таких галузях, як спорт, медіа та розваги, роздрібна торгівля, споживчі товари й фінансові послуги, підтримуючи проєкти, спрямовані на вдосконалення цифрових продуктів, інфраструктури та надання ІТ-послуг. Штаб-квартира компанії розташована в Остіні, штат Техас, а офіс — у Сан-Сальвадорі. У Applaudo працює від 501 до 1 000 співробітників, які обслуговують компанії у сфері технологій і цифрових послуг.
Старший фахівець із прикладної науки про дані — зіставлення сутностей (віддалено, Перу)
В Applaudo ви розроблятимете моделі на основі ембедингів і великих мовних моделей для зіставлення компаній і сутностей. Ви оцінюватимете масштабні зашумлені дані та створюватимете точні ШІ-рішення з практичним балансом вартості й масштабованості.
Опис
- Розробляти й оцінювати методи машинного навчання для зіставлення компаній і сутностей.
- Створювати підходи до зіставлення на основі ембедингів і великих мовних моделей.
- Розробляти методи оцінювання та ранжування, що дають змогу відрізняти справжні збіги від дублікатів, схожих записів і не пов’язаних між собою сутностей.
- Працювати із зашумленими даними: назвами, псевдонімами, доменами, вебсайтами, фірмографічними даними, мовами та ієрархіями даних.
- Створювати еталонні набори даних, метрики оцінювання, базові моделі та процеси аналізу помилок.
- Планувати й проводити експерименти для перевірки гіпотез.
- Порівнювати методи із залученням великих мовних моделей із більш економними варіантами.
- Досліджувати поведінку моделей, граничні випадки та компроміси.
- Від самого початку враховувати вартість інференсу й масштабованість.
- Ділитися результатами експериментів і рекомендаціями з інженерними та бізнес-командами.
- Самостійно вибудовувати дослідницькі методи й конвеєри експериментів.
- Чітко фіксувати як позитивні, так і негативні результати експериментів.
Вимоги
- Щонайменше п’ять років професійного досвіду в галузі науки про дані або машинного навчання.
- Міцна практична база з машинного навчання.
- Відмінне володіння Python і SQL.
- Практичний досвід роботи з ембедингами та семантичною подібністю.
- Досвід застосування великих мовних моделей для розв’язання реальних задач.
- Досвід роботи з навчанням із учителем і без учителя.
- Глибокі знання класифікації та обробки природної мови.
- Робочі знання нейронних мереж і архітектур трансформерів.
- Практичний досвід роботи з TensorFlow, PyTorch, PyCaret або подібним фреймворком машинного навчання.
- Досвід повторного навчання або підтримки класифікаційних моделей у промисловому середовищі.
- Відмінні навички планування експериментів і оцінювання моделей.
- Досвід визначення базових показників, метрик, тестових наборів і процесів аналізу помилок.
- Здатність оцінювати якість моделей і демонструвати вимірювані покращення.
- Глибоке розуміння масштабованості та вартості інференсу в машинному навчанні.
- Впевнене володіння англійською мовою для спілкування.
- Буде перевагою: досвід розв’язання сутностей, зв’язування записів або дедуплікації.
- Буде перевагою: досвід роботи з ранжуванням і оцінюванням подібності.
- Буде перевагою: обізнаність із пошуком, кластеризацією або методами генерації кандидатів.
- Буде перевагою: досвід проєктування рішень на основі великих мовних моделей або ембедингів з урахуванням вартості й масштабованості.
- Буде перевагою: обізнаність зі Spark, Snowflake, Databricks або BigQuery.
- Буде перевагою: досвід роботи з даними про компанії, домени, вебсайти або фірмографічними даними.
- Буде перевагою: досвід роботи з багатомовними наборами даних.
- Аналітичний підхід і схильність до експериментів.
- Інтелектуальна чесність і готовність ділитися негативними результатами.
- Здатність самостійно працювати й проявляти ініціативу.
- Відмінні навички письмового й усного спілкування.
- Здатність пояснювати технічні рекомендації зацікавленим сторонам і обґрунтовувати їх.
- Сильні навички розв’язання проблем.
- Готовність працювати в умовах невизначеності та з масштабними наборами даних.
- Здатність знаходити баланс між якістю моделей, вартістю та масштабованістю.
Переваги
- Можливість працювати віддалено.
- Можливість швидко навчатися та брати на себе відповідальність.
- Співпраця з досвідченими командами.
- Робота над сучасними рішеннями на основі ШІ та масштабованими продуктами.
- Культура високої продуктивності, що ґрунтується на прагненні до досконалості, командній роботі, повазі, прозорості та ефективному спілкуванні.