Chercheur en grands modèles de langage (préentraînement, vision par ordinateur et robustesse adversariale)
Postuler Maintenant → →SignalGigs peut percevoir une commission de parrainage si vous postulez via ce lien.
Description
Périmètre de recherche
Travaillez sur des problèmes empiriques d’apprentissage automatique au périmètre bien défini mais ouverts, en vision par ordinateur et en langage. Les projets exigent une responsabilité de bout en bout : préparer les données, entraîner les modèles, diagnostiquer les défaillances, mesurer les résultats et améliorer les performances en respectant des budgets stricts de données, de calcul, de nombre de paramètres, de taille ou de latence. Les responsabilités principales comprennent :
- Entraîner à partir de zéro des classificateurs d’images et des modèles génératifs d’images
- Ajuster finement des modèles de langage à poids ouverts
- Améliorer l’efficacité d’utilisation des données et l’efficacité de l’entraînement
- Diagnostiquer les problèmes d’optimisation, de stabilité et de généralisation
- Compresser les modèles tout en préservant leur précision
- Évaluer les résultats à l’aide de comparaisons statistiquement solides
Robustesse adversariale
L’expérience pertinente peut comprendre l’entraînement adversarial de classificateurs d’images, les méthodes de gradient projeté, les objectifs centrés sur la robustesse et l’évaluation selon des modèles de menace standard. Les chercheurs doivent savoir mesurer la précision robuste, éviter les pièges du masquage de gradient, gérer le compromis entre précision sur données non perturbées et robustesse, et traiter le surapprentissage robuste. La robustesse comportementale des modèles de langage fait aussi partie du périmètre. Les travaux utiles comprennent l’orientation du comportement sur plusieurs tours, la résistance à la persuasion ou à la complaisance, le calibrage de la confiance et la détermination des situations où un modèle doit accepter une correction.
Vision par ordinateur efficace
Les projets peuvent porter sur la reconnaissance fine d’images avec de nombreuses classes similaires et peu d’exemples. L’expérience de la quantification, de l’élagage, de la distillation de connaissances et du déploiement sous de fortes contraintes sur appareil, en périphérie ou en systèmes embarqués est précieuse. Les chercheurs doivent être à l’aise pour choisir des architectures et des procédures d’entraînement qui préservent la précision tout en réduisant le nombre de paramètres, l’utilisation de la mémoire ou la latence d’inférence.
Modélisation générative d’images
Les parcours pertinents comprennent l’entraînement à partir de zéro de modèles de diffusion, de réseaux antagonistes génératifs, d’autoencodeurs variationnels ou de modèles fondés sur des flots. Le travail peut comporter des itérations rapides guidées par des mesures de qualité des échantillons et des techniques produisant des générateurs performants avec un temps d’entraînement limité ou des modèles de petite taille.
Postentraînement des modèles de langage
Une expérience pratique de l’ajustement fin supervisé, de l’optimisation des préférences, de l’apprentissage par renforcement à partir de retours humains ou d’IA, ou de méthodes de postentraînement connexes est utile. Les projets peuvent nécessiter la création de jeux de données par génération synthétique, supervision faible ou bruitée, échantillonnage par rejet et alignement ciblé modifiant un comportement précis sans dégrader les capacités générales.
Préentraînement multilingue
La recherche peut porter sur des modèles multilingues ou à faibles ressources entraînés à partir de zéro. Les sujets pertinents comprennent la conception de tokeniseurs pour différents systèmes d’écriture et familles de langues, les stratégies d’échantillonnage de données linguistiques très déséquilibrées et le transfert interlinguistique sous contraintes de données.
Autres domaines de recherche
D’autres expériences utiles comprennent :
- Les lois d’échelle et la recherche sur l’entraînement efficace
- L’apprentissage par curriculum et l’ordre de présentation des données
- La conception de bancs d’évaluation et le contrôle de la contamination
- L’estimation de l’incertitude et le calibrage
- L’augmentation de données et les données synthétiques pour la robustesse
Qualifications
Les candidats doivent avoir au moins trois ans d’expérience de recherche en apprentissage automatique ; la recherche doctorale compte dans cette exigence. Une solide maîtrise pratique d’un grand framework d’apprentissage profond est requise. Un diplôme d’une université très bien classée, une expérience dans une grande organisation technologique ou d’IA, ou un ensemble équivalent de publications et de contributions open source à fort impact peuvent démontrer le niveau de recherche attendu. La mission est flexible et organisée par projet, avec une rémunération annoncée comme compétitive.
Details
SignalGigs peut percevoir une commission de parrainage si vous postulez via ce lien.
Opportunités Similaires
How Much Do AI Jobs Pay?
How to Get Started