Auf einen Blick
- Aufgaben: Entwickle innovative ML-Systeme zur Verbesserung der Suchqualität im Web.
- Unternehmen: Exa, ein führendes AI-Labor mit bahnbrechenden Technologien.
- Vorteile: Attraktives Gehalt, flexible Arbeitszeiten und spannende Projekte.
- Weitere Informationen: Dynamisches Team mit viel Raum für kreative Lösungen und persönliches Wachstum.
- Warum dieser Job: Gestalte die Zukunft der Informationssuche und arbeite an echten Herausforderungen.
- Qualifikationen: Erfahrung in ML, insbesondere mit Transformer-Modellen und großen Datensätzen.
Das prognostizierte Gehalt liegt zwischen 54000 - 66000 € pro Jahr.
Exa ist ein angewandtes KI-Labor, das eine Suchmaschine entwickelt, wie sie die Welt noch nie gesehen hat. Wir bauen massive Infrastruktur, um das gesamte Web zu durchsuchen, trainieren hochmoderne Einbettungsmodelle zur Verarbeitung und entwerfen hochleistungsfähige Vektordatenbanken zur Abfrage. Unser ultimatives Ziel ist es, perfekte Suchergebnisse über alle Informationen der Welt zu erstellen, weit über Google hinaus. Wenn Sie massive ML-Systeme entwickeln möchten, die definieren, wie die neue KI-Welt Informationen konsumiert, sind Sie hier genau richtig.
Als Backend-Ingenieur spielen Sie eine entscheidende Rolle in unserer Sucharchitektur. Wir sind ziemlich flexibel, an welchen Projekten die Leute basierend auf ihren Fähigkeiten und Interessen arbeiten.
Die Suchqualität hängt davon ab, was wir über eine Seite verstehen. Bevor etwas abgerufen werden kann, muss herausgefunden werden, was die Seite tatsächlich sagt. Das bedeutet, sie in die Teile zu zerlegen, die Inhalt sind, und die Teile, die Möbel sind, zu klassifizieren, welche Art von Seite es ist und worum es geht, zu beurteilen, ob die Seite überhaupt nutzbar ist, wann sie veröffentlicht wurde, wie gut sie ist und ob sie vertrauenswürdig ist, und herauszufinden, ob sie etwas sagt, das eine Seite, die wir bereits haben, nicht sagt. All dies muss auf jeder Seite im Web, in jeder Sprache und in jeder Form, die das Web annimmt, funktionieren.
Einige dieser Aufgaben sind klassische Dokumentenverständnisprobleme. Einige sind viel offener. Glaubwürdigkeit und Fehlinformationen, KI-generierte und maschinell erzeugte Inhalte sowie Seiten, die geschrieben wurden, um gefunden zu werden, anstatt gelesen zu werden, sind alles ungelöste Probleme, und Suchergebnisse sind nur so vertrauenswürdig wie unsere Antworten darauf.
Wir suchen einen Forschungsingenieur, der daran arbeitet. Es gibt viel Raum, dies gut zu machen.
Erforderliche Erfahrung
- Abschlussniveau ML-Erfahrung (Master oder PhD mit mindestens 2 Jahren relevanter Erfahrung) oder ein außergewöhnlich starker Bachelor-Abschluss.
- Sie können einen Transformer von Grund auf in PyTorch bauen und haben Modelle trainiert, die dann kostengünstig überall laufen mussten.
- Sie arbeiten gerne mit groß angelegten Datensätzen und leben in den Daten. Die meisten Erfolge liegen hier in der Überwachung und nicht in der Architektur.
- Sie sind mit Problemen vertraut, bei denen die Wahrheit noch nicht existiert, und deren Definition Teil des Jobs ist.
- Sie kümmern sich um das Problem, qualitativ hochwertige Kenntnisse zu finden, und erkennen, wie wichtig dies für die Welt ist.
Beispielprojekte
- Das Parsen auf den Seiten zum Laufen bringen, wo es derzeit nicht funktioniert, und die Verbesserung nachweisen, anstatt sie nur zu behaupten.
- Ein Modell lehren, die Seitenqualität zu beurteilen, und alle dazu bringen, sich darauf zu einigen, was Qualität bedeutet, um es ausreichend zu überwachen.
- An Glaubwürdigkeit und Fehlinformationen als Modellierungsproblem arbeiten: was eine Seite behauptet, ob sie eine zuverlässige Quelle dafür ist und ob sie für einen Leser oder für einen Crawler geschrieben wurde.
- Entscheiden, ob zwei Dokumente semantisch gleich oder wirklich unterschiedlich sind, damit wir das Web deduplizieren können, ohne Seiten zusammenzufassen, die ein Benutzer separat sehen möchte.
- Klassifizierung und Extraktion entwickeln, die auf Webgröße genau und kostengünstig genug sind, um überall zu laufen.
- Die Überwachung für etwas entwerfen, für das niemand Labels hat, und herausfinden, ob es überhaupt lernbar ist.
- Ein schlechtes Suchergebnis auf die seitenbezogene Vorhersage zurückverfolgen, die es verursacht hat, und es an der Quelle beheben.
Research Engineer, Content Understanding Arbeitgeber: Wwshemi
Als Arbeitgeber in der dynamischen AI-Sprachtechnologiebranche bietet unser Unternehmen eine inspirierende Arbeitsumgebung in Berlin, die auf Wachstum und Innovation ausgerichtet ist. Wir fördern eine leistungsstarke Unternehmenskultur, in der Teammitglieder durch kontinuierliches Lernen und individuelle Entwicklung unterstützt werden. Mit attraktiven Gehältern und der Möglichkeit, ein hochqualifiziertes Vertriebsteam aufzubauen, sind wir bestrebt, unseren Mitarbeitern bedeutungsvolle Karrierechancen zu bieten.
StudySmarter Expertenrat🤫
Wir sind der Meinung, dass du so Research Engineer, Content Understanding 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 Wwshemi 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, Content Understanding 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, Content Understanding bei Wwshemi gut geeignet bist.
Wie man sich auf ein Vorstellungsgespräch bei Wwshemi 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 Wwshemi entscheidend sein!
