ML-Ingenieur (NLP und LLMs) in Brainly Sp. z o.o.

Der ML-Ingenieur hat die Möglichkeit, Artefakte des maschinellen Lernens in Produktionssysteme umzuwandeln, an der Implementierung modernster MLOps-Praktiken mitzuwirken und seine Fähigkeiten in NLP, generativer KI, groß angelegter Datenverarbeitung und Informationsabruf zu verbessern .

Der ideale Kandidat ist ein Enthusiast von Bildungstechnologien mit einem Hintergrund in der Softwareentwicklung und Fähigkeiten, die Cloud-Infrastruktur, maschinelles Lernen und Python-Codierung kombinieren.

Als Teil des Machine Learning Infra-Teams wird ML Engineer eng mit anderen KI-Rollen innerhalb der AI Services-Teams zusammenarbeiten (MLOps-Ingenieure, Datenwissenschaftler, KI-Analysten, KI-Betriebsspezialisten). ) an internen Projekten, entwickeln modularisierte MLOps-Lösungen zusätzlich zu dem, was die Data Engineering- und Automatisierungsteams bereitstellen, und arbeiten mit anderen ML-Teams außerhalb der Abteilung zusammen, um die Technologieeinführung zu unterstützen.

Darüber hinaus hat das ML-Infra-Team eine Doppelrolle: Es besitzt die MLOps-Plattform, die von allen ML-Praktikern bei Brainly verwendet wird, und fungiert als technisches Rückgrat für die KI-Services-Projekte.

Sind Sie motiviert, schnell zu lernen und sich in den erforderlichen Bereichen weiterzuentwickeln, um im Job erfolgreich zu sein? Die Automatisierung von Arbeitsabläufen liegt Ihnen am Herzen? Verfolgen Sie die DevOps-Kultur und hochwertige Softwarestandards? Übernehmen Sie die Verantwortung für Probleme/Herausforderungen von Anfang bis Ende? Haben Sie eine positive Einstellung und die Bereitschaft, Herausforderungen und komplexe Probleme anzugehen? Wenn Sie diese Fragen mit „Ja“ beantwortet haben, sind Sie möglicherweise der perfekte Kandidat für diese Stelle! 

WAS IST ERFORDERLICH

• 3+ Jahre Erfahrung mit Deep-Learning-Modellen in der Produktion oder eine vergleichbare Branchenkarriere mit maschinellem Lernen oder Daten Bergbau.
• 1+ Jahre Erfahrung mit Deep Learning Modellen für NLP, Sprachmodelle oder Textanalyse in der Produktion .
• Praktische Erfahrung mit modernem Cloud Computing entweder AWS (vorzugsweise) oder Azure, GCP und Dienste für Speicher-, Datenverarbeitungs-, serverlose, F&E- und ML-F&E-Umgebungen.
• Erfahrung mit der Produktisierung von ML-Pipelines für Feature-Engineering, Schulung, Evaluierung und Batch-Inferenzzwecke.
• Erfahrung in der Bereitstellung von ML-Modellen für die Produktion, der Live-Überwachung und der Verwaltung des Lebenszyklus von Modellen (z. B. Kennzeichnung, Umschulung).
• Ausgeprägte Python-Programmierkenntnisse, insbesondere zum Zweck des Trainings und der Bereitstellung von Modellen und verwandten Bibliotheken (z. B. Numpy, Boto3, FastAPI, PyTorch, Pandas, Poetry oder ähnliches).
• Frameworks für maschinelles Lernen wie: Tensorflow oder PyTorch, AWS Sagemaker, scikit-learn, Transformers (HuggingFace).
• Umfassende Kenntnisse und Verständnis der theoretischen Grundlagen des modernen maschinellen Lernens, insbesondere Deep Neural Networks, entweder NLP/LLMs (vorzugsweise) oder Computer Vision.
• Bash und Linux/Unix (z. B. AWS CLI, Docker, Scripting oder ähnliches).
• Cloud-Dienste (z. B. IAM, EC2, S3, RDS, Redshift, Sagemaker, Athena, Lambda oder GCP- und Azure-Alternativen).
• Paralleles Computing (Multi-Processing, Async, GPUs, Model Sharding).
• Datenanalyse- und Visualisierungstools wie Pandas,plotly, matplotlib, seaborn oder streamlit.
• Teamplayer-Einstellung und klare Kommunikationsfähigkeiten.
• Hohes Maß an Selbstorganisation.
• Fließende Englischkenntnisse in Wort und Schrift.

WAS WIRD BEVORZUGT

• Ein Bachelor-Abschluss oder höher in MINT (Naturwissenschaften, Technik, Ingenieurwesen, Mathematik) oder ein ähnlicher Abschluss Feld.
• Praktische Erfahrung mit Datenspeicher- und -verarbeitungstechnologien (z. B. relationale/nicht relationale Datenbanken, Warehouses, Cloud-Speicherlösungen und verschiedene Verarbeitungs-Engines).
• Praktische Erfahrung mit der Bereitstellung groß angelegter ML-Modelle (Millionen Anfragen/Tag).
• Praktische Erfahrung mit Kubernetes und Microservices.
• Praktische Erfahrung mit Infrastructure-as-Code-Tools.
• Vertrautheit mit den Grundlagen des Data Engineering (z. B. SQL und NoSQL, Datenstreaming, Apache Spark, Snowflake).
• CI/CD (z. B. GitHub Actions, AWS CodePipeline oder ähnliches).
• Kubernetes (z. B. Deployment, StatefulSet, Ingress, Helm oder ähnliches, REST-APIs).
• MLOps-Stack (z. B. Neptune.ai, Sagemaker oder ähnliches wie MLFlow, Kubeflow, Flyte). 
• IaaC-Frameworks (Terraform, CloudFormation, Pulumi).
• Moderne Modellserver-Frameworks (Torchserve, NVIDIA Triton oder Seldon).
• Vertraut mit agiler Entwicklung und Lean-Prinzipien.

Der ML-Ingenieur hat die Möglichkeit, Artefakte des maschinellen Lernens in Produktionssysteme umzuwandeln, an der Implementierung modernster MLOps-Praktiken mitzuwirken und seine Fähigkeiten in NLP und generativer KI zu verbessern -Skalendatenverarbeitung und Informationsabruf.

Der ideale Kandidat ist ein Enthusiast von Bildungstechnologien mit einem Hintergrund in der Softwareentwicklung und Fähigkeiten, die Cloud-Infrastruktur, maschinelles Lernen und Python-Codierung kombinieren.

Als Teil des Machine Learning Infra-Teams wird ML Engineer eng mit anderen KI-Rollen innerhalb der AI Services-Teams zusammenarbeiten (MLOps-Ingenieure, Datenwissenschaftler, KI-Analysten, KI-Betriebsspezialisten). ) an internen Projekten, entwickeln modularisierte MLOps-Lösungen zusätzlich zu dem, was die Data Engineering- und Automatisierungsteams bereitstellen, und arbeiten mit anderen ML-Teams außerhalb der Abteilung zusammen, um die Technologieeinführung zu unterstützen.

Darüber hinaus hat das ML-Infra-Team eine Doppelrolle: Es besitzt die MLOps-Plattform, die von allen ML-Praktikern bei Brainly verwendet wird, und fungiert als technisches Rückgrat für die KI-Services-Projekte.

Sind Sie motiviert, schnell zu lernen und sich in den erforderlichen Bereichen weiterzuentwickeln, um im Job erfolgreich zu sein? Die Automatisierung von Arbeitsabläufen liegt Ihnen am Herzen? Verfolgen Sie die DevOps-Kultur und hochwertige Softwarestandards? Übernehmen Sie die Verantwortung für Probleme/Herausforderungen von Anfang bis Ende? Haben Sie eine positive Einstellung und die Bereitschaft, Herausforderungen und komplexe Probleme anzugehen? Wenn Sie diese Fragen mit „Ja“ beantwortet haben, sind Sie möglicherweise der perfekte Kandidat für diese Stelle! 

,[Verwandeln Sie Artefakte des maschinellen Lernens in Produktionssysteme und -dienste. , Implementieren Sie Tools und Frameworks, die Datenwissenschaftlern (oder anderen Interessengruppen) helfen, effizienter zu arbeiten und Bereiche wie Modellschulung und -bewertung, Datenannotation und -verarbeitung zu vereinfachenG. , Verarbeiten Sie große Datensätze – sowohl innerhalb vorbereiteter und gut organisierter Datenpipelines als auch im Quick-and-Dirty-Modus – zum Zweck schneller Experimente. , Integrieren Sie ML-Lösungen in größere Systeme (andere Produktfunktionen oder Geschäftsprozesse). , Führen Sie Innovationen an und validieren Sie unternehmensweite KI-Möglichkeiten auf der Grundlage modernster Computer Vision, NLP und moderner LLM-Dienste und -Modelle. , Recherchieren Sie und bleiben Sie über die neuesten Fortschritte in der KI-Technologie (sowohl Modelle/Algorithmen als auch Tools/Bibliotheken/SaaS/APIs) auf dem Laufenden. , Erstellen, Bereitstellen, Automatisieren, Warten und Verwalten des gesamten Modelllebenszyklus der in der Abteilung AI Services entwickelten Data-Science-Lösungen. , Bereitstellung der technischen Fähigkeiten für unsere internen Projekte. Sie fungieren als Berater und sind verantwortlich für die Implementierung und Wartung von ML-basierten Lösungen in Produktionsbereichen, denen kein eigenes KI-Team zugewiesen ist (z. B. Vertrauen und Sicherheit, Inhaltsmoderation oder experimentelle Produktfunktionen). , Arbeiten Sie eng mit Produktionsteams zusammen, um die vom ML-Infrastrukturteam entwickelten Tools und standardisierten Lösungen zu integrieren und deren Einführung zu erleichtern.] Beispiele: Python, NLP, Deep Learning, Transformers, TensorFlow, PyTorch, Docker, Cloud Computing, Kubernetes, CI/CD , LLMs Zu den Vorteilen gehören: Sportabonnement, Trainingsbudget, private Krankenversicherung, Zahnpflegepaket, Aktienoptionen, AskHenry, Mental Health Helpline.