Senior ML/RL Training Infrastructure Engineer

Bereit, die Art und Weise zu transformieren, wie Milliarden von Menschen mit Technologie interagieren? Das Core Foundation Models-Team von Apple treibt die Intelligenz voran, die Erfahrungen auf Milliarden von Geräten weltweit ermöglicht – und wir suchen außergewöhnliche Talente, die sich uns anschließen! Schließen Sie sich unserem in Europa ansässigen angewandten ML-Team an, das die nächste Generation der großangelegten ML- und RL-Trainingsinfrastruktur für Apples Foundation-Modelle aufbaut. Wir entwickeln leistungsstarke, verteilte Systeme, die bahnbrechende Forschung zu Foundation-Modellen in großem Maßstab unterstützen.

Wir suchen einen Ingenieur, der leidenschaftlich daran interessiert ist, die Infrastruktur zu entwerfen, zu optimieren und zu skalieren, die modernste Machine Learning- und Reinforcement Learning-Workloads ermöglicht. Als erfahrenes Mitglied des Teams arbeiten Sie eng mit Forschern und Systemingenieuren zusammen, um robuste Trainingsframeworks zu erstellen, Experimente zu beschleunigen und die Grenzen von Leistung und Effizienz zu erweitern. Sie werden mit Teams in den Engineering-Hubs von Apple – einschließlich New York, Seattle und Cupertino – zusammenarbeiten, um die Werkzeuge und Systeme voranzutreiben, die das Training von Modellen in großem Maßstab ermöglichen.

In dieser Rolle werden Sie als Kernmitglied unseres ML-Infrastrukturteams die Systeme entwerfen, aufbauen und skalieren, die großangelegtes Reinforcement Learning für Apples Foundation-Modelle ermöglichen. Sie konzentrieren sich auf TPU-basiertes Training mit JAX und entwickeln robuste, leistungsstarke RL-Pipelines, die verteilte Actor/Learner-Architekturen, effizientes Experience Replay und die Ausführung von Umgebungen in großem Maßstab unterstützen.

Sie werden über den gesamten Stack der RL-Trainingssysteme hinweg arbeiten – von der Feinabstimmung der Leistung auf niedriger Ebene und Compiler-Optimierung bis hin zur Cluster-Orchestrierung und Ressourcenverwaltung. Sie stellen sicher, dass die Trainingspipelines effizient, zuverlässig, reproduzierbar und beobachtbar sind, damit Forschungsteams schnell iterieren und komplexere RL-Umgebungen und -Modelle erkunden können. Ihre Arbeit wird sich direkt auf die Skalierbarkeit, den Durchsatz und die Stabilität von RL-Experimenten auswirken und dazu beitragen, neue Fähigkeiten im agentischen Denken, in der Entscheidungsfindung und im Policy-Learning für Apples Foundation-Modelle freizuschalten.

Diese Position ist ideal für Ingenieure, die Freude an verteilten Systemen, hochleistungsfähigen ML-Frameworks und dem Aufbau der Infrastruktur haben, die großangelegte RL-Forschung möglich macht.

• PhD oder MSc in Informatik, Computertechnik oder einem verwandten Bereich.
• Starke Kenntnisse in PyTorch oder JAX und Erfahrung mit dem Ausführen von Trainings-Workloads auf GPUs/TPUs.
• Solides Verständnis der Konzepte verteilter Systeme (Parallelitätsstrategien, Fehlertoleranz, Synchronisation).

• Praktische Erfahrung in der Entwicklung oder Optimierung von Trainingsschleifen, RL-Pipelines oder großangelegten Modell-Trainings-Frameworks.
• Starke Software-Engineering-Fähigkeiten in Python, mit Schwerpunkt auf Zuverlässigkeit, Debugging und hochleistungsfähiger Ausführung.
• Tiefe Erfahrung mit PyTorch/JAX-Interna, XLA, Debugging und Leistungsprofilierung auf GPU/TPU-Architekturen.
• Expertise in Mustern des verteilten RL-Trainings, einschließlich Actor/Learner-Architekturen, Experience Replay und paralleler Ausführung von Umgebungen.
• Erfahrung im Aufbau von Trainingsdiensten, Orchestrierungswerkzeugen oder automatisierten Pipelines für großangelegte Experimente.
• Nachweislicher Erfolg bei der Diagnose von Engpässen in großangelegten ML-Jobs (I/O, Eingabepipelines, Kernel-Leistung, Speicher, Kompilierung).
• Vertrautheit mit den spezifischen Infrastrukturanforderungen von RL (z.B. Actor/Learner-Architekturen, Experience Replay-Systeme, Ausführung von Umgebungen in großem Maßstab).
• Erfahrung mit Cloud-Skalierungs-Clustern oder spezialisierten Beschleunigern (TPU v5/v6, GPU, benutzerdefinierte Hardware).
• Beiträge zu ML-Frameworks, Bibliotheken für verteiltes Training oder Systeme für hochleistungsfähiges Computing.
• Ausgezeichnete Kommunikations- und Zusammenarbeitfähigkeiten für die Zusammenarbeit mit Forschungs- und Engineering-Partnern.

Bei Apple sind wir nicht alle gleich. Und das ist unsere größte Stärke. Wir ziehen die Unterschiede in dem, wer wir sind, was wir erlebt haben und wie wir denken, in Betracht. Denn um Produkte zu schaffen, die allen dienen, glauben wir daran, alle einzubeziehen. Daher verpflichten wir uns, alle Bewerber fair und gleich zu behandeln. Wir werden mit Bewerbern zusammenarbeiten, um angemessene Anpassungen vorzunehmen.