Machine Learning Engineer — AI Architecture Research

Diese Position wird im Auftrag eines Partnerunternehmens ausgeschrieben, das alle Bewerbungen und nächsten Schritte verwaltet. Unser Partner sucht einen Machine Learning Engineer — AI Architecture Research mit Sitz in Österreich. Diese Rolle konzentriert sich auf die Forschung und den Aufbau von KI-Modellarchitekturen der nächsten Generation, die von experimentellen Konzepten zu skalierbaren Produktionssystemen übergehen können.

Sie werden an der Schnittstelle von maschinellem Lernen, Modellengineering und der praktischen Bereitstellung arbeiten. Die Position bietet die Möglichkeit, etablierte architektonische Annahmen herauszufordern und Alternativen zu konventionellen Transformer-basierten Designs zu erkunden. Sie werden Experimente entwerfen, neue neuronale Netzwerke prototypisieren und Trade-offs in Bezug auf Rechenleistung, Speicher, Latenz und Modellleistung bewerten.

Die Rolle umfasst eine enge Zusammenarbeit mit Inferenz- und Systemingenieuren, um Forschungsideen effizient und bereit für die Bereitstellung zu machen. Sie werden auch zur Reproduktion von Forschung, Benchmarking, technischer Erkundung und möglicherweise Open-Source-Arbeit beitragen. Dies ist eine Gelegenheit, einen bedeutenden Einfluss auf die KI-Architektur zu haben, während Sie in einem schnelllebigen, forschungsorientierten Umfeld arbeiten.

Verantwortlichkeiten:

• Forschung und Entwicklung neuartiger neuronaler Netzwerkarchitekturen, einschließlich Alternativen oder Erweiterungen zu Transformern, rekurrenten und hybriden Modellen sowie Langzeitkontextsystemen.
• Entwurf und Durchführung architekturbezogener Experimente, die sich auf Skalierungsgesetze, Speichermethoden, Trainingsverhalten und Trade-offs in der Rechenleistung konzentrieren.
• Prototypisierung von Modellen von Anfang bis Ende, Übersetzung von Forschungskonzepten in robuste, trainingsbereite Implementierungen.
• Analyse des Modellverhaltens, von Fehlermodi, induktiven Verzerrungen sowie architektonischen Stärken und Schwächen.
• Zusammenarbeit mit Inferenz- und Systemengineering-Teams, um sicherzustellen, dass neue Architekturen effizient, skalierbar und für die Bereitstellung geeignet sind.
• Lesen, Reproduzieren, Bewerten und Erweitern von aktuellen Forschungsarbeiten im Bereich maschinelles Lernen.
• Beitrag zu internen Forschungsnotizen, Benchmarks, Experimenten und Open-Source-Initiativen, wo dies zutrifft.
• Fließender Wechsel zwischen theoretischer Untersuchung, schneller Experimentierung und produktionsorientiertem Engineering.

Anforderungen:

• Starke Grundlagen in den Grundlagen des maschinellen Lernens und des tiefen Lernens mit praktischer Erfahrung in deren Anwendung auf die Modellentwicklung.
• Praktische Erfahrung in der Implementierung von neuronalen Netzwerk- oder Modellarchitekturen von Grund auf.
• Starkes Verständnis von Aufmerksamkeitsmechanismen, RNNs, Zustandsraum-Modellen, hybriden Architekturen oder verwandten Ansätzen.
• Solides Wissen über Trainingsdynamik, Optimierung, Skalierungsverhalten und architekturbezogene Leistungsüberlegungen.
• Verständnis von speicher-, latenz-, rechen- und effizienzbezogenen Einschränkungen auf Modellebene.
• Kenntnisse in PyTorch oder JAX und die Fähigkeit, forschungsorientierten ML-Code zu entwickeln und zu experimentieren.
• Fähigkeit, architektonische Ideen sowohl durch theoretisches Denken als auch durch empirische Experimente zu bewerten.
• Starke Kommunikationsfähigkeiten, mit der Fähigkeit, technische Konzepte und architektonische Trade-offs klar zu erklären.
• Bevorzugte Erfahrung mit nicht-Transformer-Architekturen wie RNN-Varianten, Zustandsraum-Modellen oder Langzeitkontextsystemen.
• Bevorzugter Hintergrund in forschungsgetriebenen Startups, Open-Source-Projekten im Bereich maschinelles Lernen, großangelegtem Training oder benutzerdefinierten Trainingsschleifen.
• Veröffentlichungen, Preprints, bemerkenswerte Forschungsbeiträge oder Erfahrungen mit Inferenzoptimierung und Bereitstellungseinschränkungen sind von Vorteil.

Vorteile:

• Wettbewerbsfähige Vergütung und bedeutendes Eigenkapital.
• Gelegenheit, direkt an der Kernarchitektur von KI-Modellen zu arbeiten, anstatt sich hauptsächlich auf Feinabstimmungen zu konzentrieren.
• Bedeutender Einfluss auf die technische und forschungsorientierte Richtung innerhalb einer schnell wachsenden Organisation.
• Kleines, hochqualifiziertes Team mit schnellen Feedbackschleifen und einem starken forschungsorientierten Umfeld.
• Gelegenheit, Forschungskonzepte von der Experimentierung bis zur Produktionsbereitstellung zu bringen.
• Vollzeitstelle in einem global verteilten Arbeitsumfeld.