Member of Technical Staff (ML Research)

Schließen Sie sich uns an der Spitze der Innovation im KI-Sektor an. Unsere Mission ist es, die Zukunft der Arbeit zu beschleunigen. Wir sind ein gut finanziertes Startup in Silicon Valley, das von erstklassigen VCs unterstützt wird. Unser Gründungsteam hat eine bemerkenswerte Erfolgsbilanz im Bereich KI und im Startup-Ökosystem, wobei jedes Mitglied zuvor KI-Startups zu Einhorn-Status geführt hat.

Was Sie tun werden:

• Leiten Sie Forschungsanstrengungen zur Erkundung neuer Grundlagen und Architekturen neuronaler Netze, die über inkrementelle Verbesserungen hinausgehen.
• Fördern Sie neuronale Netze umfassend, mit besonderem Fokus auf LLMs als Schlüsselanwendungsbereich.
• Überdenken Sie Modellrepräsentationen und rechnerische Primitiven.
• Erforschen Sie hyperkomplexe neuronale Netze und alternative mathematische Formulierungen.
• Untersuchen Sie analoge, gemischte Signale und maßgeschneiderte Hardwareansätze.
• Entwerfen und führen Sie Experimente und Prototypen durch, um neuartige Hypothesen zu validieren.
• Definieren Sie Evaluierungsmethoden und vergleichen Sie neue Ansätze mit aktuellen Baselines.
• Übersetzen Sie Forschungsideen in skalierbare Implementierungen und messbare Ergebnisse.
• Arbeiten Sie eng mit der Technik zusammen, um Forschung und praktische Systeme zu verbinden.
• Agieren Sie als technischer Leiter für diese Forschungsrichtung.
• Zusammenarbeit mit dem ML-Engineering-Team zur Unterstützung komplexer ML-Engineering-Projekte durch Bereitstellung von innovativen Erkenntnissen und Anleitung bei wichtigen technischen Entscheidungen.

Was wir suchen:

• Starker Hintergrund in der maschinellen Lernforschung oder fortgeschrittener ML-Engineering.
• Tiefes Verständnis moderner Deep-Learning-Architekturen und deren Einschränkungen.
• Nachgewiesene Fähigkeit, originelle Ideen zu formulieren, rigorose Experimente zu entwerfen und basierend auf Ergebnissen zu iterieren.
• Starke Neugier auf grundlegende ML-Fragen, nicht nur angewandtes ML.
• Berufserfahrung im Training oder Feintuning von Grenzmodellen; umfangreiche persönliche Projekte sind ebenfalls akzeptabel.
• Praktische Erfahrung mit Reinforcement Learning (RL), einschließlich Bereichen wie RLHF und Policy-Optimierung.
• Komfortables Arbeiten in mehrdeutigen, offenen Forschungsumgebungen bei gleichzeitiger Fokussierung auf Ergebnisse, Priorisierung und schnelle Validierung von Ideen.
• Erfahrung in der Optimierung großangelegter Inferenzsysteme (Latenz, Durchsatz, Speichereffizienz), einschließlich praktisches Verständnis von Speicherbewegungen, KV-Cache-Verhalten und Quantisierung.
• Erfahrung mit hardwarebewusstem ML oder Hardwaredesign.