AI Researcher

Toptal baut ein engagiertes AI Research-Team auf, das sich auf die Weiterentwicklung der Grenzen agentischer AI-Systeme konzentriert, die durch proprietäre Daten aus realen Interaktionen unterstützt werden. Wir suchen AI-Forscher, die begeistert sind, wie großangelegte, reale Signale in besseres Denken, verbesserte Generalisierung und leistungsfähigere multimodale Agenten umgewandelt werden können.

Verantwortlichkeiten

• Forschung zu agentischen AI-Systemen, die auf Signalen aus realen Interaktionen und multimodalen Daten trainiert werden.
• Entwicklung und Experimentieren mit Lernparadigmen für großangelegte Modelle, einschließlich RAG, überwachten Feinabstimmungen, RLHF, DPO und GRPO-Methoden.
• Entwicklung multimodaler Repräsentationslernansätze, einschließlich gemeinsamer Einbettungsräume über Text, Audio, Protokolle und strukturierte Interaktionsspuren.
• Verbesserung der Sprach- und Audiointelligenzfähigkeiten, einschließlich STT, ASR und audio-gesteuerten Lernsignalen.
• Forschung zu Methoden zur Verbesserung des Denkens, der Planung, der Werkzeugnutzung und der Anpassung von Agenten in realen Umgebungen.
• Definition, wie komplexe Verhaltens- und Interaktionssignale in effektive Trainingsziele für großangelegte Modelle übersetzt werden können.
• Aufbau und Verfeinerung von Evaluierungsmethoden für die Leistung von Agenten in realen, domänenspezifischen Szenarien.
• Zusammenarbeit mit Ingenieur- und Produktteams, um Forschungsideen in Produktionssysteme zu integrieren.
• Identifizierung von Mustern in realen Arbeitsabläufen und deren Umwandlung in verallgemeinerbare Modellierungs- und Repräsentationsstrategien.
• Beitrag zur langfristigen Forschungsrichtung von Toptals agentischen AI-Systemen und multimodalen Fähigkeiten.
• Aktualität mit akademischer und industrieller Forschung bewahren und relevante Fortschritte in interne Systeme integrieren.

Erwartungen in den ersten Wochen

• Beitritt zum AI-Team und Einarbeitung in Toptals Mission und Strategie.
• Zugriff auf unsere bestehenden Datensätze, Agentenstacks und internen Evaluierungstools.
• Kartierung der Landschaft der Rohdatenquellen, die derzeit unsere agentischen Systeme speisen.

Erwartungen im ersten Monat

• Entwicklung eines tiefen Verständnisses unserer aktuellen Architekturen und Evaluierungsmethoden.
• Identifizierung von hochwirksamen Lücken, in denen Datenverbesserungen die Fähigkeit des Agenten messbar erhöhen können.
• Initiierung konkreter Verbesserungen an Pipelines, die Rohdaten in modellbereite Assets umwandeln.
• Gestaltung von Feedbackschleifen, die die Live-Leistung als Trainingssignal nutzen.

Erwartungen in den ersten drei Monaten

• Übernahme einer Produktionsdatenpipeline von der Eingabe bis zur Lieferung in RL- oder Feinabstimmungs-Workflows.
• Definition wiederverwendbarer Schemata, die wiederholte Workflows in abfragbare Formate abstrahieren.
• Messbare Fortschritte in der Genauigkeit von Agenten innerhalb eines bestimmten Bereichs vorantreiben, unterstützt durch Metriken.
• Integration von AI-Funktionen in benutzerorientierte Oberflächen wie Browser oder Unternehmenswerkzeuge.

Erwartungen in den ersten sechs Monaten

• Leitung des Designs multimodaler Pipelines, die Text und Echtzeitprotokolle für Agenten vereinheitlichen.
• Einrichtung von Werkzeugen zur Kodierung institutionellen Wissens in skalierbare Schemata für das Team.
• Definition der Strategie des Teams für Feinabstimmung und Erfassung menschlichen Feedbacks für RLHF.
• Mentoring von Teamkollegen zu datenzentrierten Ansätzen und Einflussnahme auf die technische Richtung des Teams.

Erwartungen im ersten Jahr

• Als technischer Schlüsselspieler fungieren, um proprietäre Daten in einen nachhaltigen Wettbewerbsvorteil umzuwandeln.
• Als anerkannter Experte im Team für Wissensrepräsentation und Verbesserungszyklen agieren.
• Ein signifikantes Upgrade der Agentenfähigkeiten über mehrere Bereiche hinweg durch klare Leistungsmetriken vorantreiben.
• Die nächste Generation von Produkten gestalten, indem Daten, Agenten und Anwendungen gemeinsam weiterentwickelt werden.

Qualifikationen und Anforderungen

• PhD in Informatik, Maschinellem Lernen, AI, Elektrotechnik oder einem verwandten Bereich.
• 5+ Jahre Erfahrung in angewandter AI-Forschung oder ML-Systemen mit Produktionseinfluss.
• Starker Hintergrund in großangelegtem maschinellem Lernen, LLMs oder multimodalen AI-Systemen.
• Praktische Erfahrung mit: RAG-Systemen, Feinabstimmung großer Sprachmodelle, Verstärkungslernen (RLHF, DPO oder GRPO-Ansätze).
• Erfahrung mit VLM.
• Starkes Verständnis von Repräsentationslernen, Einbettungen und gemeinsamen Einbettungsräumen.
• Erfahrung mit Sprach- und Audiomodeling, einschließlich STT, ASR oder Audio-Signalverarbeitung.
• Kenntnisse in Python und modernen ML-Frameworks (PyTorch, Hugging Face-Ökosystem).
• Erfahrung in der Gestaltung oder Verbesserung von Evaluierungsmethoden für LLMs oder agentische Systeme.
• Erfahrung mit agentischen AI-Systemen, einschließlich Denk-, Planungs- oder Werkzeugnutzungsarchitekturen.
• Hintergrund in multimodalen AI-Systemen (Text, Audio, Vision oder strukturierte Protokolle).
• Erfahrung bei der Integration von AI in reale Produkte (Browser, IDEs, Unternehmenswerkzeuge).
• Erfahrung mit Echtzeit- oder Streaming-AI-Systemen.
• Open-Source-Beiträge oder Veröffentlichungen in erstklassigen ML/AI-Konferenzen.
• Starke Fähigkeit, Forschungshypothesen aus mehrdeutigen, realen Problemen abzuleiten.
• Hervorragende schriftliche und mündliche Kommunikationsfähigkeiten in Englisch.

Sie müssen ein erstklassiger individueller Mitwirkender sein, um bei Toptal erfolgreich zu sein. Sie werden nicht hier sein, um anderen nur zu sagen, was sie tun sollen.