Leitender Datenwissenschaftler in CommIT

• End-to-End-Data-Science-Arbeit, einschließlich ML-Engineering und MLops-Arbeit (ca. 50 %)
• Modellentwicklung, Feinabstimmung und Implementierung, einschließlich verschiedener LLMs und ML
• Modelle und über Geschäftsdomänen hinweg
• Modelle in Entwicklung und Produktion messen, analysieren und bewerten
• Datensätze in verschiedenen Domänen erstellen und aggregieren
• Führen Sie Kontext-Engineering durch und perfektionieren Sie es.
• Erstellen Sie Modell-POCs in verschiedenen Domänen.
• Übersetzen Sie Modell-POCs in produktionstaugliche Dienste, während die POCs ausgereift sind.

ANFORDERUNGEN

• Hinweise auf herausragende Leistungen jeglicher Art (Papiere, Patente usw.)
• Solides Verständnis von NLP und LLMs im Besonderen
• Solides Verständnis der für ML relevanten mathematischen und statistischen Konzepte
• Erfahrung mit Modellbewertung – Vorteil
• Erfahrung mit Modellen in der Produktionsumgebung – erheblicher Vorteil
• Erfahrung mit MLOps – erheblicher Vorteil
• Ideale konkrete Fähigkeiten:
• Programmiersprachen – Python, SQL
• LLMs – GPT-Familie, Claude-Familie
• ML-Frameworks – Pytorch, Tensorflow
• Daten-Frameworks – Numpy, Pandas
• Pipeline-Frameworks – Huggingface, Langchain, WanDB/Traceloop/DeepChecks
• (Vorteil)< /li>
• Vektordatenbank-Framework jeglicher Art (Pinecone, QDrant, Faiss, PGVector usw.)
• AWS-Ökosystem – Bedrock, Sagemaker, Knowledgebase – Vorteil
• GCP/Azure Ökosystemkompetenz – Vorteil