Ingeniero de Machine Learning, IA Aplicada

• Python

• PyTorch / JAX

• Embeddings, búsqueda vectorial y modelos de ranking

• Sistemas de ML en producción y pipelines de inferencia

• Sólidos fundamentos en machine learning y arquitecturas neuronales modernas.

• Experiencia práctica construyendo y desplegando modelos de ML en producción.

• Experiencia en clasificación, ranking, recuperación, sistemas de recomendación o personalización.

• Comprensión de la evaluación de modelos, experimentación y métricas de rendimiento.

• Comodidad escribiendo código de calidad de producción y trabajando con conjuntos de datos del mundo real.

• Capacidad para equilibrar la calidad del modelo, la latencia, el coste y la fiabilidad.

• Gran sentido de la responsabilidad y habilidades de resolución de problemas

Hoy en día, más de 5.000 millones de usuarios utilizan aplicaciones básicas como el correo electrónico, notas, tareas o el calendario, y estas no son nativas de IA. Nuestra misión es crear aplicaciones proactivas para cualquier persona en el mundo que no esté acostumbrada a realizar prompts complejos. Nuestro objetivo es aportar inteligencia a las conversaciones, recados, organización y flujos de trabajo, con un mínimo de prompting o incluso sin él.

Nuestra primera aplicación es una app de comunicación móvil centrada en agentes (agent-first). Creemos que desarrollar aplicaciones que los usuarios utilicen a diario para sus necesidades de comunicación, coordinación y colaboración ayudará a integrar la IA en sus vidas. El efecto neto es eliminar la desinformación, lograr costes de coordinación bajos, permitir tareas de alta calidad y la colaboración a escala con un mínimo o casi ningún prompting.

Construir y mejorar sistemas de ML que impulsen nuestras aplicaciones nativas de IA.

Trabajar en clasificación, recuperación (retrieval), ranking, personalización y evaluación, asumiendo la responsabilidad desde el desarrollo del modelo hasta su despliegue en producción.

Este puesto es para ingenieros que disfruten resolviendo problemas prácticos de ML, mejorando la calidad de los modelos y lanzando sistemas fiables utilizados por usuarios reales.

• Construir y mejorar modelos de ML para clasificación, ranking, recuperación y personalización.

• Desarrollar clasificadores eficientes y optimizar la precisión, exactitud, latencia y el coste del modelo.

• Mejorar la relevancia de la búsqueda y la recuperación de contexto utilizando embeddings, búsqueda híbrida y reranking.

• Construir modelos de personalización que aprendan del comportamiento del usuario respetando la privacidad.

• Desarrollar pipelines de evaluación, conjuntos de datos etiquetados y métricas para medir la calidad del modelo.

• Realizar fine-tuning y adaptar modelos existentes cuando cuenten con datos suficientes.

• Construir y mantener pipelines de entrenamiento, inferencia y despliegue de ML.

• Depurar problemas de producción, monitorizar el rendimiento del modelo y lanzar mejoras basadas en el feedback del mundo real.

• Los modelos de ML en producción cumplen con los objetivos esperados de exactitud, relevancia, latencia y fiabilidad.

• Las mejoras en clasificación y ranking aportan ganancias medibles en la calidad del modelo.

• Los pipelines de evaluación identifican regresiones y respaldan lanzamientos de modelos fiables.

• Los pipelines de entrenamiento, inferencia y datos son robustos, reproducibles y mantenibles.

• Las mejoras del modelo se basan en el feedback del mundo real y en resultados medibles.

• Colabora eficazmente con los equipos de ingeniería y producto para entregar funcionalidades fiables impulsadas por ML.