Engenheiro(a) de Machine Learning — Distillation

Vaga não está no LinkedIn

🕒 Janeiro 22

Candidatar-se

Encontrar Vagas Remotas Similares

Receber Emails de Vagas Remotas

📊 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

Featherless AI

SiteLinkedInTodas as Vagas

1 - 10 funcionários

Fundada em 2023

🤖 Inteligência Artificial

☁️ SaaS

🔌 API

Artificial Intelligence • SaaS • API

A Featherless AI é um provedor de inferência de IA sem servidor e hospedagem de modelos que oferece acesso via API a um grande e crescente catálogo de modelos de pesos abertos (12. 200+), permitindo que desenvolvedores e empresas implante, ajustem e executem modelos em escala sem gerenciar servidores. A empresa oferece preços de assinatura fixa com tokens ilimitados, orquestração de GPU, uso privado/anônimo (sem logs) e opções para hospedagem própria em nível empresarial ou unidades de escala para alta concorrência. A Featherless AI também opera como um laboratório de pesquisa em IA focado em modelos de código aberto e pós-transformadores, alegando melhorias significativas de custo e desempenho para modelos grandes e agentes de IA.

Descrição

• Projetar e implementar pipelines de distilação de conhecimento (knowledge distillation): teacher–student, self-distillation, multi-teacher, etc. • Destilar grandes foundation models em modelos menores, mais rápidos e econômicos para inferência • Conduzir e analisar experimentos de treinamento em grande escala para avaliar compromissos entre qualidade, latência e custo • Colaborar com a equipe de pesquisa para transformar novas ideias de distilação em código pronto para produção • Otimizar desempenho de treinamento e inferência (memória, throughput, latência) • Contribuir com ferramentas internas, frameworks de avaliação e rastreamento de experimentos • (Opcional) Contribuir com modelos, ferramentas ou pesquisas open-source

🎯 Requisitos

• Sólida experiência em machine learning ou deep learning • Experiência prática com distilação de modelos (model distillation), incluindo LLMs ou outras redes neurais • Entendimento sólido de dinâmica de treinamento, funções de perda (loss functions) e otimização • Experiência com PyTorch (ou JAX) e ferramentas modernas de ML • Confortável em executar experimentos em ambientes multi-GPU ou distribuídos • Capacidade de avaliar os trade-offs entre qualidade do modelo e desempenho • Mentalidade pragmática: foco em entregar (shipping), não apenas em publicar artigos

🏖️ Benefícios

• Remuneração competitiva • Participação acionária relevante (equity) • Ambiente remoto com cultura assíncrona (remote-friendly, async-first)