Research Scientist, Gen AI – User Representation Learning

🕒 vor 3 Monaten

🏄 California – Remote

🏄 California – Remote

💵 $130.000 - $160.000 / Jahr

⏰ Vollzeit

🟡 Mittelstufe

🟠 Senior

🧬 Forschungswissenschaftler

👻 Geisterscore 29%

Was es bedeutet: die Wahrscheinlichkeit, dass für diese Stelle niemand wirklich einstellt.So liest du es: 60 % oder höher heißt, wir halten das für einen Geisterjob. Niedrigere Werte sind weniger bedenklich.Wie wir werten: Dauer offen, Neuveröffentlichungen, offene Stellen vs Teamgröße, wie schnell Stellen geschlossen werden, und ob ein Gehalt angegeben ist.Hinweis: eine Schätzung aus öffentlichen Daten, kein Urteil über das Unternehmen. Echte Stellen können hoch punkten, nutze es also als Hinweis, nicht als Fakt.

Jetzt Bewerben

Ähnliche Remote-Jobs finden

Predactiv

WebsiteLinkedInAlle Stellen

51 - 200 Mitarbeiter

Gegründet 2024

🤖 Künstliche Intelligenz

📣 Marketing

☁️ SaaS

Artificial Intelligence • Marketing • SaaS

Predactiv ist eine KI-gestützte Datenplattform, die Marken, Agenturen und Datenteams dabei hilft, Daten für Zielgruppenanalyse und Marketingaktivierung aufzubereiten, zu vereinheitlichen, anzureichern und zu aktivieren. Die Plattform nutzt fortschrittliche KI und Datenwissenschaft — einschließlich Embeddings und agentischer Orchestrierung — um rohe Signale in verhaltens- und absichtsbasierte Erkenntnisse zu verwandeln. Predactiv bietet kontextuelle, konsumorientierte, demografische und Echtzeit-Datenfeeds, legt Wert auf datenschutzkonforme Beschaffung und Sicherheit und ermöglicht die Aktivierung über verschiedene Kanäle (DSPs, Clean Rooms, etc. ), um Akquisitions-, Wettbewerbs- und Loyalitätsstrategien zu unterstützen.

Beschreibung

• 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.

🎯 Anforderungen

• 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.

📊 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