Machine Learning Engineer, SIML

Résumé

Publié : 6 juin 2024

Heures hebdomadaires : 40

Numéro de rôle : 200509737

Chez Apple, nous travaillons à la pointe de l'intelligence artificielle et de l'apprentissage automatique pour créer des expériences systémiques intelligentes pour des plateformes impactantes telles que iOS, macOS, tvOS, et plus encore. Notre intelligence systémique vise à offrir des solutions de premier ordre pour des problèmes cruciaux à la réussite des applications internes et tierces sur les plateformes Apple. Des exemples incluent les suggestions de partage, l'indexation vectorielle et la recherche, l'indexation des identités, les relations sociales, la reconnaissance visuelle, l'OCR, la génération de langage naturel et la génération visuelle.

Nous recherchons des praticiens de l'apprentissage automatique hautement qualifiés et créatifs, compétents dans l'utilisation des modèles de langage de grande taille (LLM) pour une variété de tâches au-delà de la génération de langage. Un intérêt particulier est accordé à ceux qui peuvent utiliser les LLM pour raisonner dans un environnement multimodal, combinant une perception visuelle imparfaite avec des informations contextuelles dérivées du système.

Nous sommes l'équipe Human and Object Understanding (HOUr) au sein du groupe System Intelligence and Machine Learning (SIML). En tant qu'équipe de R&D appliquée, nous développons des technologies et des systèmes d'apprentissage automatique fondamentaux pour la perception visuelle et le raisonnement des humains dans un contexte. Les technologies développées par notre équipe comprennent la détection d'objets en temps réel (Center Stage, Mode Cinématique), la reconnaissance de personnes (Photos, HomeKit, Memojis, Apple Pay), la détection de spoofing (IDs dans Wallet) et la compréhension du regard (Center Stage, recadrage intelligent). Nous travaillons également sur des systèmes de raisonnement de haut niveau tels que les suggestions de partage, l'inférence des relations nom-personne et l'indexation vectorielle efficace.

En tant qu'ingénieur en apprentissage automatique dans l'équipe SIML HOUr, vous travaillerez avec des modèles de langage de grande taille et des modèles génératifs multimodaux, suivant de près les avancées révolutionnaires pour les adapter à des cas d'utilisation internes. Votre mission principale sera de créer des adaptateurs au sommet de grands modèles pour permettre des applications spécifiques, ayant un impact direct sur les fonctionnalités de l'écosystème Apple.

Vos responsabilités incluront :

• Traduire les objectifs de produit de haut niveau en différents niveaux de la pile technologique.
• Définir les besoins en données, manipuler les données et ajuster les modèles pré-entraînés pour des tâches spécifiques.
• Évaluer les modèles en fonction de métriques pertinentes, de la puissance et de la performance.
• Prototyper et livrer des modèles pour intégration.
• Collaborer avec des chercheurs en apprentissage automatique, des ingénieurs logiciels, des designers de produits et d'autres équipes.
• Itérer rapidement pour livrer des modèles de haute qualité, fiables, testés de manière approfondie et bien documentés.
• Définir la portée des projets, estimer les délais et présenter votre travail à la direction de l'organisation.

Si cette opportunité vous excite, nous vous invitons à postuler !

Qualifications clés

• Maîtrise du Python, PyTorch et TensorFlow.
• Engagement envers des normes élevées dans la livraison des modèles.
• Excellentes compétences en communication pour la collaboration interfonctionnelle.
• Expérience pratique avec les flux de travail basés sur LLM, y compris l'ingénierie de prompt et l'ajustement efficace des paramètres.
• Expérience dans des environnements multimodaux, en particulier Vision et Langage.
• Capacité à itérer rapidement en utilisant des boîtes à outils de réglage fin.
• Compétence dans la traduction des objectifs de produit de haut niveau en exigences de données, de modèle et de métriques.
• Conscience de la complexité, de la puissance et des considérations de performance des modèles.