Staff Research Scientist, Machine Learning Efficiency

Вы готовы вести передовые исследования и инновации в области машинного обучения? Исследовательская группа Google ищет высококвалифицированного ведущего научного сотрудника для совершенствования эффективности машинного обучения в проектах, которые расширяют границы информатики. Эта роль предлагает возможность работать над передовыми технологиями, влияющими на все продукты Google.

• Докторская степень в области компьютерных наук или в тесно связанной технической области, либо эквивалентный практический опыт.
• Более 4 лет опыта управления исследовательскими программами в нескольких командах или проектах в областях, таких как машинное обучение (ML), эффективность ML, оптимизация ML.
• Владение языками программирования, такими как Python или C/C++.
• Опыт публикации научных работ для конференций, журналов или публичных репозиториев (например, ICML, ICLR, NeurIPS).

• Предыдущий опыт в руководстве пионерских исследовательских инициатив.
• Доказанное лидерство внутри исследовательских команд.
• Сильные способности к работе и преуспеванию в неоднозначных ситуациях.

В качестве научного сотрудника Google, вы будете проводить масштабные испытания, широко внедрять перспективные идеи и управлять сроками и результатами. Ваша работа будет сосредоточена на разработке новых продуктов и технологий во всем спектре информатики, включая такие области, как машинное обучение, обработка естественного языка и анализ производительности программного обеспечения.

У вас будет возможность акцентировать внимание на определенных аспектах вашей работы и активно вносить вклад в широкое исследовательское сообщество, делиться и публиковать ваши находки. Это уникальная возможность сотрудничать с различными командами Google по всему миру и оказывать значительное влияние, позволяя осуществлять фундаментальные прорывы и создавать продукты следующего поколения.

• Вести совершенствование алгоритмов и архитектур моделей для ускорения обучения и улучшения обобщающей способности глубоких моделей обучения.
• Разрабатывать инновационные техники для повышения эффективности работы основополагающих моделей, включая методы усвоения знаний и дистилляции.
• Концентрироваться на выборе подмн