Staff Research Scientist, Machine Learning Efficiency

Czy jesteś gotowy, aby napędzać najnowsze badania i innowacje w dziedzinie uczenia maszynowego? Google Research poszukuje wysoce wykwalifikowanego Starszego Naukowca Badawczego do rozwijania naszej efektywności uczenia maszynowego w projektach, które przesuwają granice informatyki. Ta rola oferuje szansę pracy nad przełomową technologią, która wpływa na wszystkie produkty Google.

• Doktorat z informatyki lub pokrewnego technicznego kierunku studiów lub równoważne doświadczenie praktyczne.
• 4+ lata doświadczenia w zarządzaniu agendami badawczymi w ramach wielu zespołów lub projektów w obszarach takich jak Uczenie Maszynowe (ML), Efektywność ML lub Optymalizacja ML.
• Znajomość języków programowania takich jak Python lub C/C++.
• Doświadczenie w składaniu publikacji naukowych na konferencje, do czasopism lub do publicznych repozytoriów (np. ICML, ICLR, NeurIPS).

• Doświadczenie w pionierskich inicjatywach badawczych.
• Wykazanie przywództwa w zespołach badawczych.
• Mocna zdolność do radzenia sobie i odnajdywania się w niejasnych sytuacjach.

Jako Naukowiec Badawczy w Google, będziesz organizować testy w dużych skalach, wprowadzać obiecujące pomysły na szeroką skalę i zarządzać zarówno terminami, jak i dostawami. Twoja praca będzie skupiała się na rozwijaniu nowych produktów i technologii w całym spektrum informatyki, w tym takich obszarach jak uczenie maszynowe, przetwarzanie języka naturalnego i analiza wydajności oprogramowania.

Będziesz miał wolność podkreślania konkretnych aspektów swojej pracy i aktywnego przyczyniania się do szerszej społeczności badawczej poprzez dzielenie się i publikowanie swoich wyników. To unikalna okazja do współpracy z różnymi zespołami Google na całym świecie i dokonania znaczących wpływów, umożliwiając fundamentalne przełomy i pionierskie produkty następnej generacji.

• Prowadzenie postępów w algorytmach i architekturach modeli w celu przyspieszenia szkolenia i zwiększenia uogólnienia modeli głębokiego uczenia.
• Rozwój innowacyjnych technik, aby uczynić wnioskowanie z modeli podstawowych bardziej efektywnym, w tym metody adopcji i destylacji wiedzy.
• Skupienie na selekcji podzbiorów danych i efektywnych metodach szkolenia dla dużych zbiorów danych.
• Ulepszenie ścieżki wdrażania modelu, w tym wstępnego szkolenia, dostrajania instrukcji i Reinforcement Learning from Human Feedback (RLHF).

Jeśli jesteś pasjonatem rozwijania efektywności uczenia maszynowego i chętny do budowania inteligentnych systemów nowej generacji, aplikuj już dziś, aby dołączyć do Google Research.

Nazwa firmy: Google
Stanowisko: Starszy Naukowiec Badawczy, Efektywn