Junior Machine Learning Engineer

Wir suchen einen Junior Machine Learning Engineer / Praktikanten, der unser Team unterstützt, insbesondere bei der Nachbearbeitung und Optimierung von großen Sprachmodellen (LLMs), deren Integration mit retrieval-augmented generation (RAG) und Multi-Agenten-Architekturen. Der Kandidat wird dazu beitragen, unsere LLM-basierten Lösungen durch angewandte Forschung, solide Implementierung, Evaluierung und Optimierungen zu verbessern. Sie werden eng mit erfahrenen Machine Learning Engineers, Software Engineers und Fachexperten zusammenarbeiten, um die Grenzen von LLM für die Codegenerierung zu erweitern.

Hauptverantwortlichkeiten:

• Unterstützung bei der Gestaltung von LLM-Trainingsdatensätzen für Anweisungsbefolgung, Fragenbeantwortung, Schlussfolgerungen, Konversationsmodelle und Codegenerierung.
• Unterstützung bei der Integration von kuratierten Inhalten in Feinabstimmungspipelines.
• Hilfe bei der Definition von Anweisungen für Wissensarbeiter zur Erstellung von LLM-Trainingsdaten (Code, Text, Eingabeaufforderungen, Dialoge) und Prozessen zur Validierung synthetischer Daten.
• Unterstützung bei der systematischen Evaluierung der LLM-Leistung und Benchmarking.
• Teilnahme an der Verfeinerung von retrieval-augmented generation (RAG) Engines.
• Erlernen und Unterstützung bei der Entwicklung von Multi-Agenten-Architekturen und Prompt Engineering.
• Experimentieren mit neuen Trends und Forschungsrichtungen in LLMs unter Anleitung.
• Implementierung von LLM-Komponenten und Integrationen in qualitativ hochwertigem Code mit entsprechender Dokumentation.

Erforderliche Qualifikationen:

• Derzeit im Studium oder kürzlich abgeschlossenes Bachelor- oder Masterstudium in Informatik, Data Science oder einem verwandten Bereich.
• Vertrautheit mit Machine Learning-Frameworks (z.B. PyTorch oder TensorFlow).
• Grundkenntnisse in Python.
• Starke Kommunikationsfähigkeiten und die Fähigkeit zur effektiven Zusammenarbeit.
• Starke analytische Fähigkeiten und Problemlösungsfähigkeiten.

Bevorzugte Qualifikationen:

• Grundverständnis von LLM-Architekturen wie BERT, Llama-3 oder ähnlichen.
• Vertrautheit mit Codegenerierung oder ressourcenarmen Programmiersprachen.
• Interesse oder Erfahrung im Reinforcement Learning aus menschlichem Feedback (RLHF) oder Reinforcement Learning aus überprüfbaren Belohnungen (RLVR).
• Vertrautheit mit Datenannotierungs- und Kennzeichnungstools.
• Interesse an Bias- und Fairnessfragen in der KI.