Auf einen Blick
- Aufgaben: Entwickle innovative KI-Modelle und optimiere deren Effizienz für bahnbrechende Anwendungen.
- Unternehmen: EnCharge AI, ein führendes Unternehmen im Bereich KI-Innovation.
- Vorteile: Attraktives Gehalt, flexible Arbeitszeiten und Möglichkeiten zur beruflichen Weiterentwicklung.
- Weitere Informationen: Dynamisches Team mit exzellenten Wachstumschancen in einem innovativen Umfeld.
- Warum dieser Job: Sei Teil der nächsten Generation von KI-Technologien und gestalte die Zukunft mit.
- Qualifikationen: Mindestens 5 Jahre Erfahrung in ML-Forschung und starke Python-Kenntnisse.
Das prognostizierte Gehalt liegt zwischen 116000 - 154000 € pro Jahr.
Standort: Deutschland
Über EnCharge AI: EnCharge AI entwickelt die nächste Generation von KI-Plattformen. Unsere neuartige In-Memory-Computing-Architektur bietet eine 10-fache Verbesserung der Energieeffizienz und Leistung für KI-Inferenzlasten. Angesichts der steigenden Anforderungen an künstliche Intelligenz glauben wir, dass die grundlegende Infrastruktur weiterentwickelt werden muss. Wir sind ein erfahrenes Team von KI-Forschern, Silizium- und Systemingenieuren sowie Architekten, unterstützt von führenden Investoren, und bereit, die essentielle Plattform für die nächste Welle der KI-Innovation zu werden.
Die Gelegenheit: Moderne KI-Lasten – von großen Sprachmodellen über diffusionsbasierte Generatoren bis hin zu multimodalen Systemen – stellen einige der rechenintensivsten Grenzen in der KI dar und bieten vielversprechende Anwendungen für die Energieeffizienzvorteile unserer Hardware. Wir bauen einen vertikal integrierten KI-Stack auf, der das transformative Potenzial unseres Siliziums demonstriert und gleichzeitig echten Wert für Kunden schafft.
Wir suchen einen Forschungsingenieur, der die Grenzen der KI-Modellfähigkeit, -qualität und -effizienz verschiebt. Sie werden Feinabstimmungs- und Nachschulungs-Pipelines aufbauen, rigorose Benchmarking-Rahmen entwickeln und an der Schnittstelle zwischen ML-Forschung und hardwarebewusster Optimierung arbeiten – um sicherzustellen, dass unsere Modelle optimal auf unserem Silizium laufen.
Dies ist eine Rolle für jemanden, der an der Grenze zwischen Forschung und Ingenieurwesen gedeiht. Sie werden Papers lesen, Techniken implementieren und produktionsreife Software entwickeln – alles im Dienste einer schnelleren, kostengünstigeren und besseren KI-Inferenz.
Hauptverantwortlichkeiten:
- Algorithmische Beschleunigung: Forschung und Implementierung modernster Techniken zur Beschleunigung der KI-Inferenz – Quantisierung, Sparsamkeit, Destillation, spekulative Dekodierung, Caching-Strategien und architektonische Modifikationen. Systematische Charakterisierung der Kompromisse zwischen Modellqualität, Latenz, Durchsatz und Stromverbrauch, um optimale Betriebsbedingungen für verschiedene Anwendungsfälle zu finden.
- Hardware-Co-Design: Enge Zusammenarbeit mit Hardware-, Compiler- und Quantisierungsteams, um sicherzustellen, dass algorithmische Verbesserungen in reale Gewinne auf unserem Silizium umgesetzt werden. Identifizierung von Optimierungen, die mit den Stärken unserer Architektur übereinstimmen – Maximierung des Durchsatzes bei gleichzeitiger Minimierung des Stroms. Gestaltung des Feedback-Loops zwischen Modellentwicklung und Hardware.
- Bewertung: Aufbau von Profilierungswerkzeugen und umfassenden Benchmarking-Rahmen, um Rechenengpässe zu verstehen, die Modellqualität über Standard- und domänenspezifische Bewertungen zu messen und Effizienzmetriken zu verfolgen.
- Angewandte Forschung: Aufbau robuster Feinabstimmungs-Workflows für moderne KI-Modelle, die schnelle Experimente mit LoRA, Adaptern und vollständiger Feinabstimmung ermöglichen. Aktuell bleiben mit der sich schnell entwickelnden Landschaft – Bewertung neuer Architekturen, Implementierung vielversprechender Techniken und Beitrag von Erkenntnissen, die die technische und Markteinführungsstrategie informieren.
Qualifikationen:
- Über 5 Jahre Erfahrung in der ML-Forschung, angewandtem ML oder ML-Systemen
- Starke Grundlagen in Python und PyTorch
- Praktische Erfahrung mit Transformatoren, Diffusionsmodellen, Zustandsraummodellen usw.
- Erfahrung in der Feinabstimmung großer Modelle und im Aufbau von Trainings-/Bewertungspipelines
- Tiefes Verständnis von Transformatoren, Aufmerksamkeitsmechanismen und Optimierungstechniken
- Sicherheit im Lesen und Implementieren von Techniken aus Forschungspapieren
Wünschenswert:
- Erfahrung mit effizienten Inferenztechniken (KV-Cache-Optimierung, Varianten der Aufmerksamkeit, MoE-Routing, Flussanpassung)
- Hintergrund in hardwarebewusster ML-Optimierung oder Quantisierung
- Vertrautheit mit Profilierungswerkzeugen (PyTorch Profiler, Nsight, benutzerdefinierte Instrumentierung)
- Veröffentlichungen im Bereich generatives Modellieren, effiziente Inferenz oder ML-Systeme
- Beiträge zu Open-Source-ML-Projekten
Die Gehaltsspanne für diese Position liegt zwischen 116.000 und 154.000 EUR pro Jahr. Die tatsächliche Vergütung wird basierend auf berufsbezogenem Wissen, Fähigkeiten und Erfahrungen festgelegt.
Research Engineer, AI Models Arbeitgeber: EnCharge AI
EnCharge AI ist ein hervorragender Arbeitgeber, der eine innovative und dynamische Arbeitsumgebung in Deutschland bietet. Mit einem starken Fokus auf Mitarbeiterentwicklung und einer Kultur der Zusammenarbeit fördern wir kreatives Denken und bieten zahlreiche Möglichkeiten zur beruflichen Weiterentwicklung. Unsere Mitarbeiter profitieren von einem wettbewerbsfähigen Gehalt, flexiblen Arbeitszeiten und der Möglichkeit, an der Spitze der KI-Technologie zu arbeiten, während sie Teil eines engagierten Teams sind, das die Zukunft der KI gestaltet.
StudySmarter Expertenrat🤫
Wir sind der Meinung, dass du so Research Engineer, AI Models erhalten könntest
✨Wende dich an die richtigen Communities
Schau dir Online-Communities und Foren an, die sich um Data Science drehen, wie Kaggle oder GitHub. Engagiere dich dort aktiv, teile deine Projekte und lerne von anderen – das wird dir helfen, nicht nur einen Fuß in die Tür zu bekommen, sondern auch wertvolle Kontakte zu knüpfen.
✨Präsentiere deine Daten-Projekte
Baue ein Portfolio auf, das deine besten Projekte zeigt. Nutze Plattformen wie GitHub oder eine persönliche Webseite, um deine Arbeiten zu veröffentlichen. Arbeitgeber im Data Science-Bereich schauen oft direkt auf praktische Erfahrungen, also zeig, was du drauf hast!
✨Nimm an Meetups und Hackathons teil
Besuche lokale Data Science-Meetups oder nehme an Hackathons teil. Diese Veranstaltungen sind nicht nur super, um dein Wissen zu erweitern, sondern auch Gold wert für Networking. Du lernst Fachkollegen kennen und kannst auf Lockere Art und Weise Eventualjobs ergattern.
✨Direkte Bewerbungen über unsere Seite
Vergiss nicht, direkt auf unserer Website nach Stellenangeboten bei EnCharge AI zu schauen. Hier kannst du dich auf offene Datenwissenschaftsstellen bewerben und zeigst damit direktes Interesse, das viele Arbeitgeber schätzen!
Wir glauben, dass du diese Fähigkeiten brauchst, um Research Engineer, AI Models mit Bravour zu bestehen
Einige Tipps für deine Bewerbung 🫡
Lass deine Daten sprechen!:In einem Bereich wie Data Science ist es entscheidend, dass du deine praktischen Fähigkeiten präsentierst. Wenn du an Projekten gearbeitet hast, die deine Analysefähigkeiten oder dein Wissen über Machine Learning demonstrieren, teile sie in deinem Lebenslauf oder füge einen Link zu deinem GitHub-Portfolio bei. Die Daten, die du analysiert hast, und die Tools, die du verwendest, sollten klar hervorgehoben werden.
Ergebnisse quantifizieren!:Unterstütze deine Erfahrung mit quantifizierbaren Ergebnissen. Zeige, wie du durch deine Analysen oder Modelle zur Entscheidungsfindung beigetragen hast oder wie deine Berechnungen den Rohdaten neue Erkenntnisse entlockt haben. Arbeitgeber in der Data Science sind oft an konkreten Verbesserungen und Effizienzsteigerungen interessiert!
Erläutere deine Lernbereitschaft!:Da es sich um eine Vollzeitstelle handelt, zeige in deinem Anschreiben, dass du bereit bist, zu lernen und dich weiterzuentwickeln. Sprich über deine Neugier für neue Technologien oder Methoden im Data Science Bereich. Vielleicht hast du auch Kurse besucht oder Zertifikate erworben, die deine Begeisterung zeigen!
Die richtige technische Sprache!:Achte darauf, dass deine Bewerbung alle relevanten technischen Begriffe enthält, die in der Data Science gebräuchlich sind. Nenne spezifische Programmier- und Analysetools wie Python, R oder SQL, die du beherrschst. Dies macht es für die Rekrutierer einfacher, schnell zu erkennen, dass du für die Rolle als Research Engineer, AI Models bei EnCharge AI gut geeignet bist.
Wie man sich auf ein Vorstellungsgespräch bei EnCharge AI vorbereitet
✨Bereite deine technischen Skills vor
In einem Vorstellungsgespräch für eine Data-Science-Position wird oft dein Wissen über Tools wie Python, R oder SQL getestet. Mach dich mit gängigen Algorithmen und deren Einsatzmöglichkeiten vertraut, denn technische Fragen können schnell kommen. Lass uns sicherstellen, dass du in diesen Bereichen glänzt!
✨Verschaffe dir einen Überblick über Projekte
Da es sich um eine Vollzeitstelle handelt, ist es wichtig, dass du konkrete Erfahrungen und Projekte vorweisen kannst. Wenn du bereits an Data-Science-Projekten gearbeitet hast, sei bereit, diese in der Tiefe zu erläutern und zu diskutieren, wie du die Probleme gelöst hast. Dein Portfolio kann hier einen echten Unterschied machen!
✨Vorbereitung auf case studies
In Data-Science-Interviews sind case studies und praktische Probleme häufig Teil des Gesprächs. Übe, wie du strukturiert und logisch an solche Aufgaben herangehst. Arbeitgeber möchten sehen, wie du Daten analysierst und Lösungen entwickelst – bring also deine analytischen Fähigkeiten mit!
✨Zeige deine Leidenschaft für Daten
Mehr denn je geht es bei einer Vollzeitstelle darum, dass du nicht nur die Skills hast, sondern auch wirklich für das Feld brennst. Teile Anekdoten oder Erfahrungen, die zeigen, wie du zur Datenwissenschaft gekommen bist und was dich fasziniert. Diese Begeisterung kann für EnCharge AI entscheidend sein!
