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 der Silicon Valley-Region, 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 zum 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.
• Tiefe Kenntnisse 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.