Pesquisador de IA — Otimização de Treinamento

🕒 Janeiro 23

🌏 Qualquer lugar do mundo

⏰ Tempo Integral

🟡 Pleno

🟠 Sênior

🧠 Cientista de Pesquisa em IA

👻 Score fantasma 65%

O que significa: a chance de ninguém estar realmente contratando para esta vaga.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

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 avaliar técnicas de otimização de treinamento para modelos de grande porte (por exemplo: algoritmos de otimização, schedulers, normalização, estratégias de curriculum) • Melhorar eficiência e estabilidade de treinamento em execuções longas e com grandes conjuntos de dados • Pesquisar e implementar métodos como: • Inovações em otimizadores e schedulers • Treinamento com mixed-precision, low-precision e otimização de uso de memória • Redução de ruído de gradiente, leis de escala (scaling laws) e análise de convergência • Técnicas de regularização em tempo de treinamento e de robustez • Conduzir experimentos em larga escala, analisar resultados e transformar achados em melhorias acionáveis • Redigir ou coautorizar artigos de pesquisa, relatórios técnicos ou posts em blog • Colaborar de perto com as equipes de infraestrutura e inference para garantir que decisões de treinamento se traduzam em desempenho no mundo real

🎯 Requisitos

• Sólida formação em pesquisa de machine learning, com ênfase em dinâmica de treinamento e otimização • Experiência em treinar grandes redes neurais (LLMs, modelos multimodais ou modelos de sequência de grande porte) • Experiência em publicações em veículos de ML (por exemplo: NeurIPS, ICML, ICLR, ACL, EMNLP, COLM, arXiv) ou pesquisa aberta de qualidade equivalente • Sólido entendimento de: • Teoria e prática da otimização • Backpropagation, fluxo de gradiente e estabilidade de treinamento • Treinamento distribuído e com batches grandes • Proficiência em Python e frameworks modernos de ML (preferencialmente PyTorch) • Capacidade de projetar experimentos de forma independente e interpretar resultados a partir dos dados • Desejável • Experiência com arquiteturas não padrão (por exemplo: variantes de RNN, modelos com contexto longo, sistemas híbridos) • Experiência em otimizar treinamento em GPUs em escala (FSDP, ZeRO, kernels customizados) • Contribuições para codebases open-source de ML ou pesquisa • Conforto em atuar em ambientes de startup rápidos e ambíguos

🏖️ Benefícios

• Liberdade para conduzir e publicar pesquisas inovadoras • Influência real nas decisões centrais de treinamento de modelos • Acesso direto a experimentos em larga escala e a restrições reais de produção • Uma equipe pequena e sênior que valoriza pensamento aprofundado e entrega cuidadosa

📊 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