Investigador científico de LLM (preentrenamiento, visión artificial y robustez adversaria)
Solicitar Ahora → →SignalGigs puede recibir una comisión por recomendación si te postulas a través de este enlace.
Descripción
Alcance de la investigación
Trabaja en problemas empíricos de aprendizaje automático bien delimitados pero abiertos en visión artificial y lenguaje. Los proyectos requieren responsabilidad de principio a fin: preparar datos, entrenar modelos, diagnosticar fallos, medir resultados y mejorar el rendimiento dentro de límites estrictos de datos, cómputo, cantidad de parámetros, tamaño o latencia. Las responsabilidades principales incluyen:
- Entrenar clasificadores de imágenes y modelos generativos de imágenes desde cero
- Ajustar modelos de lenguaje de pesos abiertos
- Mejorar la eficiencia en el uso de datos y en el entrenamiento
- Diagnosticar problemas de optimización, estabilidad y generalización
- Comprimir modelos preservando la precisión
- Evaluar resultados con comparaciones estadísticamente sólidas
Robustez adversaria
La experiencia pertinente puede incluir entrenamiento adversario de clasificadores de imágenes, métodos de gradiente proyectado, objetivos centrados en la robustez y evaluación bajo modelos de amenazas estándar. Los investigadores deben saber medir la precisión robusta, evitar las trampas del enmascaramiento de gradientes, gestionar el equilibrio entre precisión con datos limpios y robustez, y abordar el sobreajuste robusto. También se incluye la robustez del comportamiento de los modelos de lenguaje. Resulta útil trabajar en la configuración del comportamiento en conversaciones de varios turnos, la resistencia a la persuasión o a la complacencia, la confianza calibrada y la determinación de cuándo un modelo debe aceptar una corrección.
Visión artificial eficiente
Los proyectos pueden implicar reconocimiento de imágenes de grano fino con muchas clases similares y pocos ejemplos. Se valora la experiencia en cuantización, poda, destilación de conocimiento y despliegue bajo restricciones estrictas en dispositivos, en el borde o en sistemas embebidos. Los investigadores deben sentirse cómodos seleccionando arquitecturas y procedimientos de entrenamiento que preserven la precisión mientras reducen la cantidad de parámetros, el uso de memoria o la latencia de inferencia.
Modelización generativa de imágenes
Las trayectorias pertinentes incluyen el entrenamiento desde cero de modelos de difusión, redes generativas adversarias, autocodificadores variacionales o modelos basados en flujos. El trabajo puede implicar iteraciones rápidas en función de métricas de calidad de muestras y técnicas que produzcan generadores sólidos con tiempo de entrenamiento limitado o modelos de tamaño reducido.
Posentrenamiento de modelos de lenguaje
Resulta útil la experiencia práctica en ajuste supervisado, optimización de preferencias, aprendizaje por refuerzo con retroalimentación humana o de IA, u otros métodos relacionados de posentrenamiento. Los proyectos pueden requerir la creación de conjuntos de datos mediante generación sintética, supervisión débil o ruidosa, muestreo por rechazo y alineación dirigida que cambie un comportamiento específico sin degradar la capacidad general.
Preentrenamiento multilingüe
La investigación puede abarcar modelos multilingües o con pocos recursos entrenados desde cero. Los temas pertinentes incluyen diseño de tokenizadores para distintos sistemas de escritura y familias lingüísticas, estrategias de muestreo para datos lingüísticos muy desequilibrados y transferencia entre idiomas bajo restricciones de datos.
Áreas adicionales de investigación
Otra experiencia útil incluye:
- Leyes de escalado e investigación en entrenamiento eficiente
- Aprendizaje por currículo y ordenación de datos
- Diseño de pruebas comparativas y control de contaminación
- Estimación de incertidumbre y calibración
- Aumento de datos y datos sintéticos para mejorar la robustez
Requisitos
Los candidatos necesitan al menos tres años de experiencia de investigación en aprendizaje automático; la investigación doctoral cuenta para este requisito. Se requiere una sólida capacidad práctica con un marco de aprendizaje profundo destacado. Un título de una universidad bien posicionada, experiencia en una gran organización tecnológica o de IA, o una trayectoria equivalente de publicaciones y trabajo de código abierto con impacto pueden demostrar el nivel de investigación esperado. La colaboración es flexible y por proyectos, con una remuneración descrita como competitiva.
Details
SignalGigs puede recibir una comisión por recomendación si te postulas a través de este enlace.
Oportunidades Relacionadas
How Much Do AI Jobs Pay?
How to Get Started