LLM Research Scientist (Vortraining, Computer Vision und adversariale Robustheit)
Jetzt bewerben → →SignalGigs erhält möglicherweise eine Vermittlungsprovision, wenn du dich über diesen Link bewirbst.
Beschreibung
Forschungsumfang
Arbeiten Sie an klar umrissenen, aber ergebnisoffenen empirischen Problemen des maschinellen Lernens in Computer Vision und Sprachverarbeitung. Die Projekte verlangen durchgehende Verantwortung: Daten aufbereiten, Modelle trainieren, Fehler diagnostizieren, Ergebnisse messen und die Leistung innerhalb strenger Vorgaben für Daten, Rechenressourcen, Parameterzahl, Größe oder Latenz verbessern. Zu den Kernaufgaben gehören:
- Bildklassifikatoren und generative Bildmodelle von Grund auf trainieren
- Sprachmodelle mit offenen Gewichten feinabstimmen
- Dateneffizienz und Trainingseffizienz verbessern
- Probleme bei Optimierung, Stabilität und Generalisierung diagnostizieren
- Modelle unter Erhalt der Genauigkeit komprimieren
- Ergebnisse mit statistisch fundierten Vergleichen bewerten
Adversariale Robustheit
Relevante Erfahrung kann adversariales Training von Bildklassifikatoren, projizierte Gradientenverfahren, auf Robustheit ausgerichtete Zielfunktionen und Evaluierung unter standardmäßigen Bedrohungsmodellen umfassen. Forschende sollten robuste Genauigkeit messen, Fallstricke durch Gradientenmaskierung vermeiden, den Zielkonflikt zwischen Genauigkeit auf unveränderten Daten und Robustheit steuern und robuste Überanpassung angehen können. Auch Verhaltensrobustheit von Sprachmodellen gehört zum Aufgabenbereich. Hilfreich sind Arbeiten zur Gestaltung des Verhaltens über mehrere Dialogrunden, zur Widerstandsfähigkeit gegen Überredung oder Gefälligkeit, zu kalibrierter Konfidenz und zur Frage, wann ein Modell eine Korrektur annehmen sollte.
Effiziente Computer Vision
Projekte können feingranulare Bilderkennung mit vielen ähnlichen Klassen und wenigen Beispielen umfassen. Erfahrung mit Quantisierung, Pruning, Wissensdestillation und Bereitstellung unter strengen Vorgaben auf Endgeräten, Edge-Geräten oder eingebetteten Systemen ist wertvoll. Forschende sollten Architekturen und Trainingsverfahren wählen können, die bei geringerer Parameterzahl, geringerem Speicherbedarf oder kürzerer Inferenzlatenz die Genauigkeit erhalten.
Generative Bildmodellierung
Relevante Hintergründe umfassen das Training von Diffusionsmodellen, generativen adversarialen Netzen, Variational Autoencoders oder flussbasierten Modellen von Grund auf. Die Arbeit kann schnelle Iterationen anhand von Kennzahlen zur Qualität erzeugter Beispiele sowie Techniken umfassen, die bei begrenzter Trainingszeit oder kleiner Modellgröße leistungsfähige Generatoren hervorbringen.
Nachtraining von Sprachmodellen
Praktische Erfahrung mit überwachter Feinabstimmung, Präferenzoptimierung, bestärkendem Lernen aus menschlichem oder KI-Feedback oder verwandten Nachtrainingsmethoden ist hilfreich. Projekte können die Erstellung von Datensätzen durch synthetische Generierung, schwache oder verrauschte Supervision, Rejection Sampling und gezielte Ausrichtung erfordern, die ein bestimmtes Verhalten verändert, ohne die allgemeine Leistungsfähigkeit zu beeinträchtigen.
Mehrsprachiges Vortraining
Die Forschung kann mehrsprachige oder ressourcenarme Modelle umfassen, die von Grund auf trainiert werden. Relevante Themen sind die Gestaltung von Tokenizern über Schriftsysteme und Sprachfamilien hinweg, Stichprobenstrategien für stark unausgewogene Sprachdaten sowie sprachübergreifender Transfer bei begrenzten Daten.
Weitere Forschungsbereiche
Weitere hilfreiche Erfahrung umfasst:
- Skalierungsgesetze und Forschung zu effizientem Training
- Curriculum Learning und Reihenfolge von Trainingsdaten
- Benchmark-Entwicklung und Kontrolle von Datenkontamination
- Unsicherheitsschätzung und Kalibrierung
- Datenerweiterung und synthetische Daten zur Verbesserung der Robustheit
Qualifikationen
Bewerbende benötigen mindestens drei Jahre Forschungserfahrung im maschinellen Lernen; Promotionsforschung wird angerechnet. Fundierte praktische Fähigkeiten mit einem verbreiteten Deep-Learning-Framework sind erforderlich. Ein Abschluss einer hoch gerankten Universität, Erfahrung bei einer großen Technologie- oder KI-Organisation oder ein gleichwertiger Nachweis durch Publikationen und einflussreiche Open-Source-Arbeit können das erwartete Forschungsniveau belegen. Die Tätigkeit ist flexibel und projektbezogen; die Vergütung wird als wettbewerbsfähig beschrieben.
Details
SignalGigs erhält möglicherweise eine Vermittlungsprovision, wenn du dich über diesen Link bewirbst.
Ähnliche Angebote
How Much Do AI Jobs Pay?
How to Get Started