Research Scientist, Gen AI – User Representation Learning

🕒 Julho 27

🏄 California – Remoto

🏄 California – Remote

💵 $130.000 - $160.000 / ano

⏰ Tempo Integral

🟡 Pleno

🟠 Sênior

🧬 Cientista Pesquisador(a)

👻 Score fantasma 27%

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

Predactiv

SiteLinkedInTodas as Vagas

51 - 200 funcionários

Fundada em 2024

🤖 Inteligência Artificial

📣 Marketing

☁️ SaaS

Artificial Intelligence • Marketing • SaaS

A Predactiv é uma plataforma de dados impulsionada por IA que ajuda marcas, agências e equipes de dados a integrar, unificar, enriquecer e ativar dados para inteligência de audiência e ativação de marketing. A plataforma utiliza inteligência artificial avançada e ciência de dados — incluindo embeddings e orquestração agentica — para converter sinais brutos em insights baseados em comportamento e intenção. A Predactiv oferece feeds de dados contextuais, baseados em compras, demográficos e em tempo real, enfatiza a obtenção e segurança de dados em conformidade com a privacidade e proporciona ativação em diversos canais (DSPs, clean rooms, etc. ) para apoiar estratégias de aquisição, conquista e fidelização.

Descrição

• Conduct Applied AI Research • Research and develop novel machine learning algorithms for user representation learning, semantic embeddings, and foundation-model applications. • Design, prototype, evaluate, and deploy transformer-based generative AI solutions from research through deployment. • Develop scalable representation learning techniques using transformers, contrastive learning, self-supervised learning, and retrieval-based architectures. • Investigate multimodal learning approaches that jointly model structured, behavioral, textual, and other heterogeneous data. • Build Large-Scale AI Systems • Train and evaluate models using large-scale behavioral, transactional, social, temporal, and content datasets. • Design embedding models, retrieval systems, vector databases, and semantic search pipelines. • Collaborate with platform and infrastructure engineers to deploy production-quality AI models. • Design rigorous offline and online evaluation methodologies and establish reproducible benchmarking pipelines. • Collaborate Across Teams • Work closely with product, engineering, and domain experts to identify impactful research opportunities. • Translate ambiguous business problems into measurable machine learning objectives. • Communicate research findings clearly to both technical and non-technical audiences. • Contribute to the long-term AI research roadmap and technical strategy.

🎯 Requisitos

• PhD (completed or near completion) in Computer Science, Machine Learning, Artificial Intelligence, Statistics, or a related quantitative discipline. • Equivalent industrial research experience will also be considered. • Strong background in one or more of the following: • - Deep Learning • - Representation Learning • - Transformer architectures • - Generative AI Models • - Contrastive Learning • - Self-supervised Learning • - Embedding Models • - Retrieval-Augmented Generation (RAG) • - Vector Search • - Semantic Search • - Information Retrieval • Experience with: • - Python • - PyTorch (preferred) or JAX • - Large-scale distributed data processing • - Model experimentation and evaluation • - End-to-end machine learning system development • - GPU Computing • - NVIDIA GPU architecture and CUDA programming fundamentals • - Multi-GPU and distributed training using PyTorch Distributed • - Mixed precision training (FP16/BF16/FP8) • - Profiling and optimizing GPU utilization, communication overhead, and training throughput. • Candidates should demonstrate: • - Strong scientific rigor • - Ability to establish meaningful baselines before pursuing more complex models • - Well-designed experiments and reproducible evaluations • - Data-driven decision making • - Intellectual curiosity and independent problem solving.