AI Researcher – Trainingsoptimierung

Stelle nicht auf LinkedIn

🕒 vor 6 Monaten

Jetzt Bewerben

Ähnliche Remote-Jobs finden

E-Mail-Benachrichtigung für neue Jobs einrichten

📊 Überprüfen Sie Ihre Lebenslauf-Bewertung für diese Stelle

Verbessern Sie Ihre Chancen auf ein Vorstellungsgespräch, indem Sie Ihre Lebenslauf-Bewertung vor der Bewerbung überprüfen.

Lebenslauf hochladen

Featherless AI

WebsiteLinkedInAlle Stellen

1 - 10 Mitarbeiter

Gegründet 2023

🤖 Künstliche Intelligenz

☁️ SaaS

🔌 API

Artificial Intelligence • SaaS • API

Featherless AI ist ein Anbieter von serverlosen KI-Inferenz- und Modell-Hosting-Diensten, der API-Zugriff auf einen umfangreichen und wachsenden Katalog von Open-Weight-Modellen (12. 200+) bietet. Dadurch können Entwickler und Unternehmen Modelle in großem Maßstab einsetzen, anpassen und betreiben, ohne Server verwalten zu müssen. Das Unternehmen bietet eine pauschale Abonnementgebühr mit unbegrenzten Token, GPU-Orchestrierung, private/anonyme Nutzung (keine Protokolle) und Optionen für das unternehmensinterne Hosting oder Scale-Einheiten für hohe Parallelität. Featherless AI agiert auch als Forschungslabor für KI mit Fokus auf Open-Source- und Post-Transformer-Modellforschung und beansprucht signifikante Kosten- und Leistungsverbesserungen für große Modelle und KI-Agenten.

Beschreibung

• Entwurf und Bewertung von Trainingsoptimierungsverfahren für große Modelle (z. B. Optimierungsalgorithmen, Scheduler, Normalisierung, Curriculum‑Strategien) • Verbesserung der Trainingseffizienz und -stabilität über lange Läufe und große Datensätze hinweg • Forschung und Implementierung von Methoden wie: • Innovationen bei Optimizern und Schedulern • Mixed‑Precision-, Low‑Precision‑ und speichereffizientes Training • Reduktion von Gradientenrauschen, Skalierungsgesetze und Konvergenzanalyse • Trainingszeitliche Regularisierungs‑ und Robustheitstechniken • Durchführung großskaliger Experimente, Analyse der Ergebnisse und Überführung der Erkenntnisse in umsetzbare Verbesserungen • Verfassen oder Mitverfassen von Forschungsarbeiten, technischen Berichten oder Blogbeiträgen • Enge Zusammenarbeit mit Infrastruktur‑ und Inference‑Teams, um sicherzustellen, dass Trainingsentscheidungen in realer Leistung resultieren

🎯 Anforderungen

• Strong background in machine learning research, with emphasis on training dynamics and optimization • Experience training large neural networks (LLMs, multimodal models, or large sequence models) • Publication experience in ML venues (e.g. NeurIPS, ICML, ICLR, ACL, EMNLP, COLM, arXiv) or equivalent high-quality open research • Solid understanding of: • Optimization theory and practice • Backpropagation, gradient flow, and training stability • Distributed and large-batch training • Proficiency in Python and modern ML frameworks (PyTorch preferred) • Ability to independently design experiments and reason from data • Nice to Have • Experience with non-standard architectures (e.g. RNN variants, long-context models, hybrid systems) • Experience optimizing training on GPUs at scale (FSDP, ZeRO, custom kernels) • Contributions to open-source ML or research codebases • Comfort operating in fast-moving, ambiguous startup environments

🏖️ Vorteile

• Freedom to pursue and publish novel research • Real influence over core model training decisions • Direct access to large-scale experiments and real production constraints • A small, senior team that values thinking deeply and shipping thoughtfully