Senior Research Scientist, Machine Learning Efficiency

Название должности: Старший научный сотрудник по эффективности машинного обучения

Компания: Google

Местоположение: Возможность работы из разных мест

Минимальные требования:

• PhD в области компьютерных наук или смежной технической области, либо эквивалентный практический опыт.
• Более 7 лет опыта работы в области машинного обучения (ML), эффективности ML, оптимизации ML или в смежной области.
• Доказанный опыт внесения вклада в научное сообщество, включая публикации в престижных форумах, таких как ICML, ICLR, NeurIPS.
• Знание языков программирования, таких как Python или C/C++.

Предпочтительные квалификации:

• Подтвержденный опыт в первопроходческих исследованиях и инновациях.
• Сильные навыки программирования и опыт в разработке программного обеспечения.
• Опыт эффективной работы в команде исследователей.
• Отличные навыки решения проблем с способностью ориентироваться в неопределенности.

Описание роли:

Будучи старшим научным сотрудником в Google, вы станете частью динамичной команды, которая продвигает границы машинного обучения и его приложений. Вы будете отвечать за проектирование и проведение масштабных экспериментов, быстрое внедрение перспективных идей и вклад как в теоретические, так и в практические достижения в области компьютерных наук. Наши проекты охватывают широкий спектр тем от машинного обучения, обработки данных, обработки естественного языка, до оптимизации производительности программного и аппаратного обеспечения и базовых технологий поиска.

Ваша работа повлияет на следующие поколения технологий, улучшая эффективность моделей машинного обучения и скорость их работы. У вас также будет честь вносить свой вклад в мировое исследовательское сообщество, публикуя свои результаты и сотрудничая с академическими учреждениями по всему миру.

Ключевые обязанности:

• Совершенствование фундаментальных алгоритмов и архитектур моделей, повышение эффективности обучения систем глубокого обучения и их обобщающей способности.
• Разработка инновационных решений для эффективного вывода в базовых моделях, включая техники, такие как принятие знаний и дистилляция.
• Оптимиз