Machine-Learning-Ingenieur – Distillation

Stelle nicht auf LinkedIn

🕒 vor 5 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

• Entwicklung und Implementierung von Pipelines für Knowledge Distillation (Teacher–Student, Self-Distillation, Multi-Teacher usw.) • Distillation großer Foundation-Modelle in kleinere, schnellere und kostengünstigere Modelle für die Inferenz • Durchführung und Analyse groß angelegter Trainings-Experimente zur Bewertung von Qualitäts-, Latenz- und Kosten-Trade-offs • Zusammenarbeit mit der Forschung, um neue Distillation-Ideen in produktionsreifen Code zu überführen • Optimierung der Trainings- und Inferenz-Performance (Speicher, Durchsatz, Latenz) • Beitrag zu internen Tools, Evaluations-Frameworks und Experiment-Tracking • (optional) Beiträge zu Open-Source-Modellen, -Tools oder Forschung leisten

🎯 Anforderungen

• Fundierte Kenntnisse im Bereich Maschinelles Lernen oder Deep Learning • Praktische Erfahrung mit Model Distillation (LLMs oder andere neuronale Netze) • Solides Verständnis von Trainingsdynamik, Loss-Funktionen und Optimierung • Erfahrung mit PyTorch (oder JAX) und modernen ML-Tools • Sicherer Umgang mit Experimenten auf Multi-GPU- oder verteilten Setups • Fähigkeit, Qualitäts- vs. Performance-Trade-offs zu beurteilen • Pragmatische Denkweise: Fokus auf Auslieferung und Produktivität, nicht nur auf wissenschaftliche Veröffentlichungen

🏖️ Vorteile

• Wettbewerbsfähige Vergütung • Bedeutende Beteiligung (Equity) • Remote-freundliches, asynchrones Arbeitsumfeld