Auf einen Blick
- Aufgaben: Führe spannende ML-Forschung durch und setze deine Fähigkeiten in einem Sandbox-Umfeld ein.
- Unternehmen: Innovatives Unternehmen, das an der Spitze der KI-Forschung steht.
- Vorteile: Flexible Arbeitszeiten, wettbewerbsfähige Vergütung und die Möglichkeit zur Remote-Arbeit.
- Weitere Informationen: Dynamisches Umfeld mit großartigen Entwicklungsmöglichkeiten und einem starken Fokus auf Innovation.
- Warum dieser Job: Werde Teil eines Teams, das die Zukunft der KI mitgestaltet und echte Herausforderungen meistert.
- Qualifikationen: Mindestens 3 Jahre Erfahrung in maschinellem Lernen und Kenntnisse in gängigen ML-Frameworks.
Das prognostizierte Gehalt liegt zwischen 60000 - 80000 € pro Jahr.
Wir stellen erfahrene Maschinenlern-Ingenieure und -Forscher ein, die als menschliche Baseline für Bewertungen offener Maschinenlern-Forschungsaufgaben dienen. Diese Bewertungen messen, wie gut KI-Agenten bei realistischen KI-F&E-Problemen abschneiden. Um die Leistung der Agenten zu interpretieren, benötigen wir auch starke menschliche Referenzpunkte: qualifizierte Praktiker, die dieselben Aufgaben unter denselben Zeit- und Rechenbeschränkungen versuchen. Als Baseline werden Sie eigenständige ML-Forschungsaufgaben in einer isolierten Umgebung durchführen, unabhängig mit Ihren bevorzugten Werkzeugen und Arbeitsabläufen. Ihre Leistung wird als Benchmark verwendet, gegen die Frontier-Modell-Agenten bewertet werden.
Was Sie tun werden:
- Versuchen Sie offene Maschinenlern-Forschungsaufgaben unter einem festen Zeit- und Rechenbudget (Arbeitstest)
- Arbeiten Sie unabhängig in einer isolierten Linux-Umgebung mit Internetzugang
- Verwenden Sie Ihre bevorzugten Werkzeuge, einschließlich IDEs und KI-Coding-Assistenten wie Cursor, Claude Code und ChatGPT
- Aufzeichnen Ihrer gesamten Arbeitssitzung über Bildschirmaufnahme
- Vervollständigen Sie einen kurzen Fragebogen vor und nach der Aufgabe
- Reichen Sie Ihr endgültiges Arbeitsprodukt, die Bildschirmaufnahme und die ausgefüllten Fragebögen ein
Nach dieser Phase werden Sie für ein längeres Engagement eingestellt.
Verpflichtung:
Mindestens 20 Stunden pro Woche, wenn ausgewählt. Mehr Verfügbarkeit wird stark bevorzugt.
Anforderungen:
- 3+ Jahre Erfahrung im Maschinenlernen (die Zeit in einem PhD-Programm zählt zu diesem Erfordernis; Erfahrungen im Bachelor- und Masterstudium zählen nicht)
- Besuch einer Top-100-Universität oder Arbeit bei FAANG oder einem vergleichbaren Unternehmen
- Erfahrung mit mindestens einem großen ML-Framework wie PyTorch, JAX oder TensorFlow
- Tiefe, praktische Expertise in mindestens einem der folgenden Schwerpunktbereiche:
- Pretraining unter strengen Daten- und Rechenbudgets
- PPO, Belohnungsformung, benutzerdefinierte Gym-/Gymnasium-Umgebungen und Durchsatzoptimierung
- Vollständiges Fine-Tuning, LoRA, QLoRA, DPO, RLHF, RLAIF und Destillation
- Großangelegte Korpusfilterung, Duplikatsvermeidung, Subsampling und Vermeidung von Benchmark-Kontamination
- Architekturdesign unter strengen Parameter- oder Größenbeschränkungen
- Modifizierung vortrainierter Architekturen, einschließlich Aufmerksamkeitsmuster, Pooling-Köpfe oder Trainingsziele
- Kontrastives Training für Einbettungs- oder Abrufmodelle
- Generative Vision- oder Video-Modellierung
- Multilinguale oder ressourcenarme Spracheerfahrung
- Bild- oder Videodatenpipelines in großem Maßstab
- Erfahrung im Ausbalancieren konkurrierender Modellziele wie Sicherheit und Fähigkeit
- Frühere Arbeit als ML-Bewerter, Red-Teamer oder Baseline
Erforderliche Fachkenntnisse:
- Pretraining: Training von Transformer-Sprachmodellen von Grund auf
- Verstärkendes Lernen: Training von Agenten in benutzerdefinierten oder bestehenden Umgebungen
- Post-Training: Fine-Tuning und Ausrichten von LLMs
- Datensatzkuratierung: Aufbau und Reinigung großer Textkorpora für das LLM-Training
- Modellarchitektur: Entwurf und Modifizierung von neuronalen Netzwerkarchitekturen
Logistik (Anforderungen an den Arbeitstest):
- Ein Baseline-Versuch pro Auftragnehmer pro Aufgabe
- Jede Aufgabe darf nur einmal von einem bestimmten Auftragnehmer versucht werden
- Alle Arbeiten sind vertraulich und durch NDA abgedeckt
- Rechenleistung und Umgebung werden bereitgestellt; keine persönliche GPU erforderlich
ML Research Engineer - PhD Arbeitgeber: Obsidian
Unser Unternehmen bietet eine inspirierende Arbeitsumgebung für ML-Forscher und Ingenieure, die an der Spitze der KI-Forschung stehen möchten. Mit flexiblen Arbeitszeiten und der Möglichkeit, in einem innovativen, sandboxed Umfeld zu arbeiten, fördern wir eine Kultur des kreativen Denkens und der Zusammenarbeit. Zudem bieten wir umfangreiche Möglichkeiten zur beruflichen Weiterentwicklung und den Zugang zu modernsten Technologien, um Ihre Fähigkeiten kontinuierlich auszubauen.
StudySmarter Expertenrat🤫
Wir sind der Meinung, dass Sie so ML Research Engineer - PhD erhalten könnten
✨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 Obsidian 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 ML Research Engineer - PhD 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 ML Research Engineer - PhD bei Obsidian gut geeignet bist.
Wie man sich auf ein Vorstellungsgespräch bei Obsidian 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 Obsidian entscheidend sein!
