Ingeniero de Investigación, Infraestructura, Sistemas RL

################################################################################################################################################################################################################################################################ La misión de Thinking Machines Lab es empoderar a la humanidad promoviendo la inteligencia general colaborativa. Estamos construyendo un futuro donde todos tienen acceso a los conocimientos y herramientas para hacer que la IA funcione para sus necesidades y metas únicas. Somos científicos, ingenieros y constructores que han creado algunos de los productos AI más utilizados, incluyendo ChatGPT y Character.ai, modelos de peso abierto como Mistral, así como proyectos populares de código abierto como PyTorch, OpenAI Gym, Fairseq y Segment Cualquier cosa. Estamos buscando un ingeniero de investigación de infraestructura para diseñar y construir los sistemas básicos que permitan una formación escalable y eficiente de grandes modelos mediante el aprendizaje de refuerzo. Identificado Este papel se encuentra en la intersección de la investigación y la ingeniería de sistemas a gran escala: un constructor que entiende tanto los algoritmos detrás de RL como las realidades de la capacitación distribuida e inferencia a escala. Llevará muchos sombreros, desde la optimización de los conductos de despliegue y recompensa hasta mejorar la confiabilidad, la observabilidad y la orquestación, colaborando estrechamente con investigadores y equipos de infra para hacer que el aprendizaje de refuerzo sea estable, rápido y listo para la producción. - No. Nota: Este es un "empreverde papel" que seguimos abiertos sobre una base continua para expresar interés. Recibimos muchas aplicaciones, y puede que no siempre haya un papel inmediato que se ajuste perfectamente a su experiencia y habilidades. Aún así, te animamos a aplicar. Revisamos continuamente las solicitudes y llegamos a los solicitantes como nuevas oportunidades abiertas. Usted es bienvenido a volver a aplicar si usted tiene más experiencia, pero por favor evitar aplicar más de una vez cada 6 meses. También puede encontrar que ponemos publicaciones para roles singulares para necesidades específicas separadas, de proyecto o de equipo. En esos casos, usted es bienvenido a aplicar directamente además de un papel siempre verde. Lo que harás será lo siguiente: ■ul i) Establecer, construir y optimizar la infraestructura que permita el aprendizaje de refuerzo a gran escala y las cargas de trabajo posteriores a la formación. ■li Mejorar la confiabilidad y escalabilidad del oleoducto de capacitación RL, distribuir cargas de trabajo RL y capacitar. Herramientas de monitoreo y observabilidad compartidas para asegurar un alto rendimiento, depuración y reproducibilidad para sistemas RL. Trabaje con investigadores para traducir ideas algorítmicas en tuberías de formación de grado de producción. ■li Construir infraestructura de evaluación y referencia que mida el progreso modelo en la utilidad, seguridad y factualidad. > < > > > > > > > > > > > > > ■/ul ■h2 títulos y clasificaciones > > > ■ul > < > > > > > > > > > > < > > > > > > > > > > Identificar los marcos de aprendizaje profundo (p. ej., PyTorch, JAX) y sus arquitecturas de sistema subyacentes. ■li Entorpece en un entorno altamente colaborativo con muchos, diferentes socios interfuncionales y expertos en materia temática. ■li Un sesgo para la acción con una mentalidad para tomar iniciativa para trabajar a través de diferentes pilas y diferentes equipos donde se observa la oportunidad de asegurarse de algo barcos. ■/ul ■p Confecciones preferidas - le animamos a aplicar si usted cumple algunos pero no todos estos: ■ul > < > > > > > > > > > (p. ej., PPO, DPO, RLHF o modelo de recompensa) ■li Antecedentes en ingeniería de alto rendimiento o fiabilidad — marcos de formación distribuidos y orquestación de racimo (Kubernetes, Slurm). ■li Familiaridad con herramientas de monitoreo y observabilidad (Prometeo, Grafana, OpenTelemetry). Contribuciones a la investigación o infraestructura de ML a gran escala, marcos de código abierto o esfuerzos de optimización del rendimiento interno. ■/ul ■h2 títuloLogistics obtenidos/h2 título ■ul Este papel está basado en San Francisco, California. Dependiendo de los antecedentes, habilidades y experiencia, el rango de salario anual previsto para esta posición es de 350.000 dólares - $475,000 USD. Patrocinio de нелинаннинин: Patrocinamos visas. Aunque no podemos garantizar el éxito de cada candidato o papel, si usted es el adecuado, estamos comprometidos a trabajar a través del proceso de visa juntos. ■li $beneficios: Las Máquinas de Pensamiento ofrecen beneficios generosos de salud, dental y visión, PTO ilimitado, licencia parental pagada y soporte de reubicación según sea necesario. "Conclusión de contenido" Como se establece en la política de igualdad de oportunidades de empleo de las máquinas de pensamiento, no discriminamos sobre la base de cualquier condición de grupo protegido bajo cualquier ley aplicable. - No. Thinking Machines Lab considerará para los solicitantes calificados de empleo con historias delictivas de una manera compatible con los requisitos de la Ley de la Cancillería de California, la Ordenanza de la Cancillería de San Francisco, y cualquier otra ordenanza o ley estatal o local de justas posibilidades.