LLM शोध वैज्ञानिक (पूर्वप्रशिक्षण, कंप्यूटर विज़न और प्रतिकूल हमलों के प्रति मजबूती)
अभी आवेदन करें → →यदि आप इस लिंक से आवेदन करते हैं, तो SignalGigs को रेफ़रल शुल्क मिल सकता है।
विवरण
शोध का दायरा
कंप्यूटर विज़न और भाषा में स्पष्ट दायरे वाली, फिर भी खुले परिणामों की अनुभवजन्य मशीन लर्निंग समस्याओं पर काम करें। परियोजनाओं में शुरू से अंत तक ज़िम्मेदारी चाहिए: डेटा तैयार करना, मॉडल प्रशिक्षित करना, विफलताओं का निदान, परिणाम मापना और डेटा, संगणन, पैरामीटर संख्या, आकार या विलंबता की कड़ी सीमाओं में प्रदर्शन सुधारना। मुख्य ज़िम्मेदारियाँ हैं:
- छवि वर्गीकारक और जनरेटिव छवि मॉडल शुरू से प्रशिक्षित करें
- खुले वज़न वाले भाषा मॉडलों का फ़ाइन ट्यूनिंग करें
- डेटा दक्षता और प्रशिक्षण दक्षता सुधारें
- अनुकूलन, स्थिरता और सामान्यीकरण समस्याओं का निदान करें
- सटीकता बनाए रखते हुए मॉडल संपीड़ित करें
- सांख्यिकीय रूप से ठोस तुलनाओं से परिणाम जाँचें
प्रतिकूल हमलों के प्रति मजबूती
प्रासंगिक अनुभव में छवि वर्गीकारकों का प्रतिकूल प्रशिक्षण, प्रोजेक्टेड ग्रेडिएंट विधियाँ, मजबूती केंद्रित उद्देश्य और मानक खतरा मॉडलों में मूल्यांकन शामिल हो सकते हैं। शोधकर्ताओं को हमलों के बीच सटीकता मापना, ग्रेडिएंट मास्किंग के भ्रम से बचना, सामान्य सटीकता और मजबूती के बीच संतुलन सँभालना तथा रोबस्ट ओवरफ़िटिंग दूर करना आना चाहिए। भाषा मॉडलों की व्यवहारगत मजबूती भी दायरे में है। उपयोगी काम में कई दौर की बातचीत का व्यवहार निर्धारित करना, बहकावे या चापलूसी का प्रतिरोध, उचित आत्मविश्वास और यह तय करना शामिल है कि मॉडल को सुधार कब स्वीकार करना चाहिए।
कुशल कंप्यूटर विज़न
परियोजनाओं में कई समान वर्गों और सीमित उदाहरणों के साथ सूक्ष्म छवि पहचान शामिल हो सकती है। क्वांटाइज़ेशन, प्रूनिंग, नॉलेज डिस्टिलेशन और उपकरण, एज या एम्बेडेड की कड़ी सीमाओं में डिप्लॉयमेंट का अनुभव उपयोगी है। शोधकर्ताओं को ऐसी संरचनाएँ और प्रशिक्षण प्रक्रियाएँ चुनने में सहज होना चाहिए जो पैरामीटर संख्या, मेमोरी उपयोग या अनुमान विलंबता घटाते हुए सटीकता बनाए रखें।
जनरेटिव छवि मॉडलिंग
प्रासंगिक पृष्ठभूमियों में डिफ़्यूज़न मॉडल, जनरेटिव एडवर्सेरियल नेटवर्क, वैरिएशनल ऑटोएनकोडर या फ़्लो आधारित मॉडल शुरू से प्रशिक्षित करना शामिल है। काम में नमूना गुणवत्ता मापदंडों के आधार पर तेज़ पुनरावृत्ति और ऐसी तकनीकें शामिल हो सकती हैं जो सीमित प्रशिक्षण समय या छोटे मॉडल आकार में मजबूत जनरेटर बनाएँ।
भाषा मॉडल का पश्चप्रशिक्षण
पर्यवेक्षित फ़ाइन ट्यूनिंग, वरीयता अनुकूलन, मानव या AI प्रतिक्रिया से रीइन्फोर्समेंट लर्निंग अथवा संबंधित पश्चप्रशिक्षण विधियों का प्रत्यक्ष अनुभव उपयोगी है। परियोजनाओं में कृत्रिम निर्माण, कमज़ोर या त्रुटिपूर्ण पर्यवेक्षण, अस्वीकृति नमूनाकरण और सामान्य क्षमता घटाए बिना विशिष्ट व्यवहार बदलने वाले लक्षित संरेखण से डेटासेट बनाना पड़ सकता है।
बहुभाषी पूर्वप्रशिक्षण
शोध में शुरू से प्रशिक्षित बहुभाषी या कम संसाधन वाली भाषाओं के मॉडल शामिल हो सकते हैं। प्रासंगिक विषयों में विभिन्न लिपियों और भाषा परिवारों के लिए टोकनाइज़र डिज़ाइन, अत्यधिक असंतुलित भाषा डेटा की नमूनाकरण रणनीतियाँ तथा डेटा सीमाओं के अंतर्गत भाषाओं के बीच ज्ञान हस्तांतरण शामिल हैं।
अतिरिक्त शोध क्षेत्र
अन्य उपयोगी अनुभव हैं:
- स्केलिंग नियम और कुशल प्रशिक्षण पर शोध
- क्रमिक पाठ्यक्रम आधारित शिक्षण और डेटा का क्रम निर्धारण
- बेंचमार्क डिज़ाइन और दूषण नियंत्रण
- अनिश्चितता का अनुमान और अंशांकन
- मजबूती के लिए डेटा संवर्धन और कृत्रिम डेटा
योग्यताएँ
उम्मीदवारों को मशीन लर्निंग शोध का कम से कम तीन वर्ष का अनुभव चाहिए; डॉक्टरेट शोध इस आवश्यकता में गिना जाएगा। किसी प्रमुख डीप लर्निंग फ़्रेमवर्क में मजबूत व्यावहारिक क्षमता आवश्यक है। उच्च रैंक वाले विश्वविद्यालय की डिग्री, प्रमुख प्रौद्योगिकी या AI संगठन का अनुभव, अथवा समकक्ष प्रकाशनों और प्रभावशाली ओपन सोर्स कार्य का रिकॉर्ड अपेक्षित शोध स्तर दिखा सकता है। नियुक्ति लचीली और परियोजना आधारित है; पारिश्रमिक प्रतिस्पर्धी बताया गया है।
Details
यदि आप इस लिंक से आवेदन करते हैं, तो SignalGigs को रेफ़रल शुल्क मिल सकता है।
संबंधित अवसर
How Much Do AI Jobs Pay?
How to Get Started