Senior Software Engineer – Open Source, SWE-Bench Evaluation

🕒 Setembro 15

🇦🇷 Argentina – Remoto

💵 $65 / hora

⏳ Contrato/Temporário

🟠 Sênior

🧑‍💻 Engenheiro Full-stack

👻 Score fantasma 0%

O que significa: quão provável esta vaga está aberta sem contratação ativa.Como ler: 60% ou mais significa que achamos que é uma vaga fantasma. Pontuações mais baixas preocupam menos.Como pontuamos: tempo em aberto, republicações, vagas abertas vs tamanho do time, rapidez para fechar vagas, e se o salário está divulgado.Observação: é uma estimativa de dados públicos, não um julgamento da empresa. Vagas reais podem ter pontuação alta, então use como uma dica, não como um fato.

Candidatar-se

Encontrar Vagas Remotas Similares

Configurar Alerta de Email para Novas Vagas

📊 Verifique sua pontuação de currículo para esta vaga

Melhore suas chances de conseguir uma entrevista verificando sua pontuação de currículo antes de se candidatar.

Enviar Currículo

Anyone AI

SiteLinkedInTodas as Vagas

11 - 50 funcionários

Fundada em 2022

📚 Educação

🤖 Inteligência Artificial

🎯 Recrutamento

💰 $1.500.000 Pre Seed Round - Anyone AI em 2022-06

Education • Artificial Intelligence • Recruitment

Anyone AI é um acelerador de carreiras e academia de formação focada na América Latina que desenvolve engenheiros de software em profissionais de IA e aprendizado de máquina por meio de programas intensivos, remotos e conduzidos por mentores. Combina cursos técnicos (por exemplo, a trilha de Desenvolvedor de Machine Learning), preparação profissional (otimização de currículo/LinkedIn, treinamento para entrevistas, prática de inglês) e um modelo orientado para colocação (pagamentos baseados em participação de renda e acesso a parcerias com empregadores) para ajudar os graduados a conquistarem posições em IA com salários mais altos globalmente. A Anyone AI também opera um mercado de talentos conectando sua comunidade a empresas que buscam talentos em IA.

Descrição

• Review ML challenges involving experiment design, model selection, datasets, metrics, preprocessing, distribution shift, contamination, label noise, feature leakage, hyperparameter tuning, train/validation/test methodology, reproducibility, and statistical significance • Determine whether challenges are technically sound, reproducible, appropriately difficult, and require strong machine learning reasoning • Evaluate whether datasets contain meaningful and learnable signals • Identify unintended shortcuts or artifacts in synthetic datasets • Determine whether tasks require genuine diagnosis of underlying ML problems rather than brute-force model selection or large hyperparameter searches • Review evaluation metrics and improvement thresholds • Detect metric gaming, data leakage, and evaluation flaws • Verify reproducibility across the complete data-to-model-to-evaluation pipeline • Assess whether challenge difficulty is appropriately calibrated • Provide recommendations for improving, recalibrating, or excluding problematic tasks • Analyze ML experiments, datasets, metrics, and pipelines for applied machine learning model-training and evaluation challenges

🎯 Requisitos

• 3+ years of hands-on applied machine learning experience • Strong experience with ML experiment design, model selection, hyperparameter tuning, model evaluation, data preprocessing, and validation • Strong understanding of train, validation, and test splits • Ability to identify data leakage, label noise, distribution shift, spurious correlations, feature leakage, and data contamination • Experience evaluating whether performance improvements are statistically meaningful rather than random fluctuations • Strong understanding of ML evaluation metrics and when different metrics are appropriate • Experience debugging ML workloads across CPU and GPU environments • Ability to analyze technical problems and provide clear written feedback • Experience creating or participating in Kaggle, DrivenData, or similar ML competitions is nice to have • Experience designing benchmark datasets or ML challenges is nice to have • Background in data-centric AI or dataset quality is nice to have • Experience with synthetic data generation and validation is nice to have • Familiarity with statistical testing, confidence intervals, and effect sizes is nice to have • Experience with ML evaluation pipelines, RLHF, or AI model evaluation is nice to have • Experience developing ML curricula or technical assessments is nice to have • Understanding of shortcut learning, spurious correlations, Goodhart’s Law, Simpson’s paradox, and metric gaming is nice to have • Applicants must select a programming language or library for the interview and provide a location

🏖️ Benefícios

• Remote work • Part-time, project-based consulting engagement