Присоединяйтесь к Meta в качестве научного сотрудника по машинному обучению (PhD)

Meta находится в авангарде машинного обучения, используя технологии ИИ в различных приложениях. Мы помогаем улучшать обнаружение контента, повышать качество виртуальной и дополненной реальности и обеспечивать безопасность в нашем сообществе. Мы ищем талантливого научного сотрудника со специализацией в машинном обучении для присоединения к нашей развивающейся команде. Это ваш шанс внести вклад в будущее связи и улучшить глобальное общение.

Об этой роли

Будучи научным сотрудником в Meta, вы будете разрабатывать продвинутые системы МЛ, которые управляют нашими платформами и продуктами. Вы будете работать над созданием масштабируемых классификаторов, использовать регрессионные модели и интегрировать модели на основе правил в наш рабочий процесс, применяя техники машинного обучения в среде с высокой автономией. Вы будете возглавлять проекты, предлагая функции, собирая требования и создавая эффективные планы развития.

Основные обязанности включают:

• Создание и оптимизация классификаторов с использованием машинного обучения, регрессии и моделей на основе правил.
• Построение эффективных партнерств с командами и совместная работа над кодом с нашей инженерной командой.
• Адаптация стандартных методов машинного обучения для полного использования современных параллельных сред, включая распределенные кластеры и GPU.
• Активное участие в сессиях обратной связи, которые соответствуют философии производительности Meta.

Минимальные квалификации

Потенциальные кандидаты должны быть в процессе получения или уже иметь степень PhD в области машинного обучения или смежной технической области. Соискатели должны иметь значительный опыт исследований или работы в таких областях, как глубокое обучение, обработка естественного языка и добыча данных. Опыт программирования на Java, C/C++, Perl, PHP или Python, а также подтвержденный опыт через стажировки, рабочие места или заметные вклады в открытые платформы являются обязательными.

Предпочтительные квалификации

• Публикации первого автора на престижных конференциях или воркшопах, таких как ICML, NIPS или KDD.
• Опыт в сложных методологиях решения проблем и оценке инструментов.