Ingeniero de Machine Learning (ML)

Keysight está a la vanguardia de la innovación tecnológica, ofreciendo avances e información de confianza en diseño electrónico, simulación, prototipado, pruebas, fabricación y optimización. Nuestros ~16.800 empleados crean soluciones de clase mundial en los mercados de comunicaciones, 5G, automoción, energía, cuántica, aeroespacial, defensa y semiconductores para clientes en más de 100 países. Obtenga más información sobre lo que hacemos.

Nuestra galardonada cultura adopta una visión audaz de hacia dónde puede llevarnos la tecnología y una pasión por abordar problemas desafiantes con soluciones pioneras en la industria. Creemos que cuando las personas sienten un sentido de pertenencia, pueden ser más creativas, innovadoras y prosperar en todos los puntos de sus carreras.

Estamos buscando un Machine Learning (ML) Engineer para unirse a nuestro equipo de producto de gestión de datos e IP, líder en la industria, para construir las capas de conocimiento e inteligencia de SOS AI, nuestra plataforma de IA que sirve en la intersección entre Electronic Design Automation (EDA) y los flujos de trabajo de AI/ML.

• Diseñar y construir recuperación híbrida de baja latencia (léxica, vectorial, de grafos, facetada) sobre datos grandes y heterogéneos para despliegues locales (on-premises) sensibles a la propiedad intelectual (IP).
• Desarrollar la capa de conocimiento semántico: etiquetado automatizado, metadatos conscientes del dominio y embeddings como activos gestionados de primera clase con procedencia de versiones.
• Construir el grafo de conocimiento consciente de EDA como memoria organizacional: inferencia de entidades y relaciones, evolución de la ontología, versionado y consultas temporales.
• Implementar memoria agéntica y servidores MCP de salida que expongan la recuperación, el recorrido de grafos y el linaje a agentes externos con controles de acceso de seguridad y auditoría completa.
• Diseñar la gobernanza para que el control de acceso se propague desde los datos de origen a través de los embeddings, los nodos del grafo, las recuperaciones y las respuestas de los agentes.
• Evaluar mediante benchmarks la calidad de la recuperación, los modelos de embedding y los LLM frente a casos de uso de EDA, seleccionando modelos por tarea bajo restricciones de coste y latencia.
• Colaborar con el equipo de producto, los equipos de herramientas EDA y los clientes para traducir los flujos de trabajo de semiconductores y RF en requisitos.