AIML - Senior ML/RL Training Infrastructure Engineer, AFM

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 maschinelles Lernen und Verstärkendes Lernen 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 großangelegtes Modelltraining ermöglichen.

In dieser Rolle werden Sie als Kernmitglied unseres ML-Infrastrukturteams die Systeme entwerfen, aufbauen und skalieren, die großangelegtes Verstärkendes Lernen 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 Erfahrungsspiel und großangelegte Umgebungsdurchführungen unterstützen.

Sie werden über den gesamten Stack der RL-Trainingssysteme hinweg arbeiten – von der Leistungsoptimierung 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.

Ihr Beitrag wird direkt die Skalierbarkeit, den Durchsatz und die Stabilität von RL-Experimenten beeinflussen 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 großangelegtes RL-Forschung möglich macht.

Mindestens erforderliche Qualifikationen:

• PhD oder MSc in Informatik, Computertechnik oder einem verwandten Bereich.
• Praktische Erfahrung im Entwerfen, Bauen oder Warten von großangelegter ML-Trainingsinfrastruktur.
• Starke Kenntnisse in PyTorch oder JAX und Erfahrung im Ausführen von Trainingslasten auf GPUs/TPUs.
• Solides Verständnis der Konzepte verteilter Systeme (Parallelitätsstrategien, Fehlertoleranz, Synchronisation).

Bevorzugte Qualifikationen:

• Praktische Erfahrung in der Entwicklung oder Optimierung von Trainingsschleifen, RL-Pipelines oder großangelegten Modell-Trainingsframeworks.
• 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, Erfahrungsspiel und paralleler Umgebungsdurchführung.
• 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 für RL (z.B. Actor/Learner-Architekturen, Erfahrungsspiel-Systeme, großangelegte Umgebungsdurchführung).
• Starke Praktiken im Software-Engineering: Codequalität, Design-Reviews, Tests, Beobachtbarkeit, CI/CD.
• 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.
• Exzellente Kommunikations- und Kollaborationsfähigkeiten für die Zusammenarbeit mit Forschungs- und Engineering-Partnern.

Bei Apple glauben wir, dass Zugänglichkeit ein fundamentales Menschenrecht ist. Sie werden diese Idee in allem hier finden – in unserer Kultur, unseren Vorteilen und unseren digitalen Werkzeugen. Indem wir so viele Perspektiven wie möglich willkommen heißen, helfen wir Ihnen, eine Karriere aufzubauen, in der Sie sich zugehörig fühlen.

Apple verpflichtet sich, alle Bewerber fair und gleich zu behandeln. Wir werden mit Bewerbern zusammenarbeiten, um angemessene Anpassungen vorzunehmen.