ML/DI inžinierius

Ieškome mašininio mokymosi / dirbtinio intelekto inžinieriaus (ML/AI), kuris (-i) derintų praktinę gamybos inžineriją su tikru moksliniu šiuolaikinio gilaus mokymosi (angl. deep learning) supratimu. Tai nėra API integracijos vaidmuo. Jūs patys apmokysite, tikslinsite, optimizuosite ir pristatysite modelius – ir turėsite nuo pat pradžių paaiškinti, kodėl jūsų pasirinkimai yra teisingi.

Žemiau pateikti reikalavimai apibūdina kompetenciją, kurią laikome esmine. Sąmoningai sutrumpinome sąrašą: čia viskas svarbu.

Inžinerijos paketas:

PyTorch – užtikrintas kasdienio darbo įgūdis, įskaitant pritaikytus mokymo ciklus, paskirstytą mokymą ir derinimą tenzorių lygmeniu.

Asinchroninis Python programavimas – gilus praktinis asinchroninio programavimo, lygiagrečių šablonų, srautinio perdavimo, atgalinio slėgio ir asinchroninio kodo gedimų režimų valdymas.

FastAPI – gamybinės klasės asinchroninių išvadų ir orkestravimo paslaugų projektavimas ir valdymas.

„Hugging Face“ ekosistema – transformatoriai, peft ir Unsloth efektyviam tiksliam derinimui.

DevOps GPU darbo krūviams – GPU klasterių orkestravimas „Kubernetes“, „Docker“ ir puikus „Linux“ kaip darbo aplinkos (ne tik kaip vietos, kurioje veikia konteineriai) valdymas.

Giluminio mokymosi pagrindai

Privalote turėti tvirtą, paaiškinamą klasikinio gilaus mokymosi supratimą, įskaitant:

Šiuolaikines konvoliucines architektūras ir sluoksnių dizainą.

Išsamų dėmesio mechanizmo ir transformatoriaus architektūros supratimą.

Tokenizavimas – algoritmai, kompromisai ir jų praktinės pasekmės.

Kompiuterinės regos pagrindai. Kodavimo, dekodavimo ir kodavimo-dekodavimo architektūros bei gebėjimas aiškiai suformuluoti, kur kiekvienas iš jų yra tinkamas pasirinkimas.

Stochastinis gradiento mažėjimas, mokymosi greičio grafikai, tiesioginis ir atgalinis sklidimas bei šiuolaikinių optimizatorių šeima.

Skaitmeninis tikslumas ir kvantavimas – FP16, BF16, FP8, FP4 ir susijusios technikos – įskaitant kiekvienos iš jų kainą tikslumo ir pralaidumo bei atminties vertę.

LLM architektūros ir mokymai
Tikimės žinių, kurios gerokai peržengia patentuotų modelių ir API teikėjų ribas. Turėtumėte sekti atvirojo svorio modelių leidimus ir naujausią mokslinių tyrimų literatūrą bei gebėti aptarti:

Ekspertų mišinio (MoE) ir tankios LLM architektūrų skirtumus ir jų atitinkamas aptarnavimo implikacijas.

Pagrindines RoPE (Rotary Position Embeddings), MLA (Multi-head Latent Attention), GQA (Grouped-Query Attention) ir KV-caching idėjas.
Šiuolaikiniai tikslinimo kanalai ir jų infrastruktūra, įskaitant FSDP (visiškai skaidytų duomenų lygiagretumą).

Poapmokymo ir derinimo metodai, įskaitant GRPO (grupės santykinės politikos optimizavimą) ir RLVR (sustiprinamąjį mokymąsi su patikrinamais atlygiais).

Agentinės sistemos ir išvados

Susipažinimas su naujausiais DI agentų, agentų pritaikymo ir įrankių naudojimo modelių tyrimais.

Gebėjimas kurti asinchroninius ReAct ir mąstymo stiliaus agentus su įrankių iškvietimu visiškai nuo nulio, nesiremiant tokiomis sistemomis kaip LangGraph ar CrewAI. Sistemos yra priimtinos kaip patogumas; jos nėra priimtinos kaip supratimo pakaitalas.

Praktinis išvadų našumo supratimas: KV kaupimas talpykloje ir prefikso pakartotinis naudojimas, laikas iki pirmojo prieigos rakto ir išvadų mechanizmų, tokių kaip vLLM ir Ollama, elgsena.

Patirtis su LLM sekimu, registravimu ir stebimumu gamyboje.
MCP (modelio konteksto protokolo) ir A2A (agentų-agentų) protokolų praktinės žinios.

Akademinių tyrimų, universitetinio lygio paskaitų skaitymo, recenzuojamų publikacijų arba viešojo kalbėjimo ir konferencijų pranešimų patirtis atitinkamoje srityje.

5000-8000 €/mėn. neatskaičius mokesčių

Gynėjų g.14, Vilnius Apskaičiuokite kelionės laiką iki darbo