Engenheiro de Pesquisa em IA (Compressão de Modelos e Quantização)

🕒 Maio 19

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

Tether.to

SiteLinkedInTodas as Vagas

11 - 50 funcionários

Fundada em 2014

₿ Cripto

💳 Fintech

💸 Finanças

Crypto • Fintech • Finance

Tether. to é uma empresa líder em ativos digitais que pioneiriza o uso de stablecoins no ecossistema blockchain. Como a stablecoin mais amplamente adotada, os tokens Tether são projetados para serem lastreados 1:1 em moedas fiduciárias, oferecendo aos usuários uma opção de ativo digital estável. A plataforma facilita transações desses tokens em múltiplas blockchains, aprimorando operações transfronteiriças enquanto mantém transparência com registros diários do total de ativos e reservas. As iniciativas da Tether incluem programas educacionais que promovem o uso de ativos digitais, com foco especial em regiões como Oriente Médio, Turquia e Filipinas. Assim, a Tether se posiciona como um agente de disrupção no sistema financeiro tradicional ao viabilizar um método estável e eficiente de realizar transações no mundo das moedas digitais.

Descrição

• Aplicar quantização de baixo bit para reduzir o tamanho do modelo e a latência de inferência em modelos generativos de IA (LLMs, VLMs, multimodais), mantendo a precisão e a qualidade das saídas • Empregar knowledge distillation para transferir capacidades de modelos teacher maiores para modelos student menores, permitindo raciocínio multimodal eficiente em entradas de texto, imagem e áudio • Implementar técnicas de pruning para remover parâmetros redundantes e heads de atenção, reduzindo a sobrecarga computacional sem sacrificar o desempenho nas tarefas • Analisar trade-offs entre eficiência do modelo (tamanho, latência, memória) e acurácia nas técnicas de quantização, knowledge distillation e pruning; propor melhorias com base em achados empíricos • Pesquisar e aplicar quantização de precisão mista (mixed-precision) e outras estratégias avançadas de compressão (por exemplo, cronogramas de pruning adaptativos, distillation com correspondência de features intermediárias) para otimizar o equilíbrio entre acurácia e desempenho • Manter-se atualizado com as pesquisas mais recentes em compressão de modelos, incluindo técnicas emergentes para arquiteturas multimodais e generativas • Documentar metodologias, experimentos e resultados de forma clara para apoiar reprodutibilidade, colaboração interna e comunicação com stakeholders • Redigir artigos técnicos e publicar resultados em conferências de alto impacto (por exemplo, NeurIPS, ICML, ICLR, CVPR, ACL, AAAI) para avançar no campo de compressão de modelos para IA multimodal.

🎯 Requisitos

• Graduação em Ciência da Computação ou área relacionada • Preferencialmente PhD em NLP, Machine Learning ou área correlata, com histórico sólido em P&D em IA (com publicações relevantes em conferências de alto nível) • Experiência com o framework de deep learning PyTorch ou frameworks equivalentes • Experiência prática com quantização de modelos, incluindo Quantization-Aware Training (QAT) e Post-Training Quantization (PTQ) • Experiência de pesquisa e prática com knowledge distillation para comprimir modelos grandes em versões menores e eficientes • Experiência de pesquisa e prática com pruning para comprimir modelos grandes em versões menores e eficientes • Sólido entendimento de arquiteturas de redes neurais e processos de treinamento — incluindo transformers (por exemplo, LLMs, VLMs), backpropagation, otimização e técnicas de fine-tuning • Familiaridade com C++ é um diferencial (especialmente para implementar kernels de quantização de baixo nível ou otimizações de inferência)

🏖️ Benefícios

• Regime de trabalho flexível • Oportunidades de desenvolvimento profissional