Senior Research Scientist, Machine Learning Efficiency

Tytuł stanowiska: Starszy Naukowiec ds. Badawczych, Efektywność uczenia maszynowego

Firma: Google

Lokalizacja: Dostępne różne lokalizacje

Minimalne wymagania:

• Doktorat z informatyki, pokrewnej dziedziny technicznej lub równoważne doświadczenie praktyczne.
• 7+ lat doświadczenia w dziedzinie uczenia maszynowego (ML), efektywności ML, optymalizacji ML lub pokrewnej dziedzinie.
• Udowodniony dorobek w przyczynianiu się do społeczności badawczej, w tym publikacje w prestiżowych forach takich jak ICML, ICLR, NeurIPS.
• Znajomość języków programowania takich jak Python lub C/C++.

Preferowane kwalifikacje:

• Udowodnione doświadczenie w prowadzeniu pionierskich badań i innowacji.
• Mocne umiejętności programowania i doświadczenie w rozwoju oprogramowania.
• Doświadczenie we współpracy w środowisku zespołu badawczego.
• Wyśmienite umiejętności rozwiązywania problemów z zdolnością radzenia sobie z niejasnościami.

O roli:

Jako Starszy Naukowiec ds. Badawczych w Google, będziesz częścią dynamicznego zespołu, który przesuwa granice uczenia maszynowego i jego aplikacji. Będziesz odpowiedzialny za projektowanie i realizację eksperymentów na dużą skalę, szybkie wdrażanie obiecujących pomysłów oraz przyczynianie się do teoretycznych i praktycznych postępów w informatyce. Nasze projekty obejmują szeroki zakres tematów, od uczenia maszynowego, eksploracji danych, przetwarzania języka naturalnego, po optymalizację wydajności oprogramowania i sprzętu oraz podstawowe technologie wyszukiwania.

Twoja praca będzie miała wpływ na kolejne generacje technologii, poprawiając efektywność modeli uczenia maszynowego i prędkość ich działania. Będziesz miał również zaszczyt wnosić wkład do globalnej społeczności badawczej, publikując swoje wyniki i współpracując z instytucjami akademickimi na całym świecie.

Kluczowe obowiązki:

• Rozwój podstawowych algorytmów i architektur modeli, zwiększając efektywność szkolenia systemów głębokiego uczenia i ich uogólnienie.
• Tworzenie innowacyjnych rozwiązań dla efektywnego wnioskowania w podstawowych modelach, w tym techniki takie jak adaptacja wiedzy i destylacja.
• Optymalizacja doboru podzbiorów danych i metodologii szkolenia do obsługi obszernych zbiorów danych.
• Poprawa procesu wdrażania modeli na różnych etapach, w tym wstępnego trenowania, dostosowywania oraz nauki ze wzmocnieniem na podstawie opinii ludzkich (RLHF).

To jest wyjątkowa okazja, aby prowadzić przełomowe badania w dynamicznym i sprzyjającym środowisku w Google, umożliwiają