Erhalte eine Antwort von diesem Arbeitgeber
Dein Lebenslauf und dein Anschreiben, genau auf das zugeschnitten, was gesucht wird.
Hopper recherche un ingénieur IA en déploiement avancé pour diriger l’entraînement des modèles sur site chez le partenaire, préparer les données et mettre en production des solutions qui produisent des résultats mesurables.
Le rôle exige une maîtrise du post‑training, du réglage fin supervisé et des méthodes comme LoRA, avec une forte aptitude à travailler avec GPU et partenaires.
Hopper propulse le voyage pour certaines des plus grandes banques, compagnies aériennes et entreprises de voyage au monde, et notre équipe de Recherche conçoit des modèles spécialisés pour le voyage. À titre d’ingénieur(e) IA en déploiement avancé, vous portez ce travail dans l’environnement d’un partenaire et vous l’adaptez à sa réalité: construire l’évaluation avec son équipe, préparer ses données, entraîner et évaluer le modèle, puis le mettre en production là où il produit des résultats mesurables. Vous travaillez au sein d’une petite équipe déployée chez le partenaire, à titre de personne qui dirige l’entraînement des modèles sur place, dans les domaines du service à la clientèle, de la fidélisation, du commerce et plus encore, et vous faites le pont entre nos partenaires et l’équipe de Recherche.
Travailler avec les équipes de données et d’affaires du partenaire pour transformer ses tâches réelles en un banc d’essai figé et réservé, couvrant ses cas d’usage prioritaires
Définir ce que signifie la réussite pour chaque tâche, soit l’exécution correcte, le respect des politiques, le coût et le temps de réponse, et construire les évaluateurs automatisés avec des vérifications humaines ponctuelles
Établir des références afin que les résultats puissent être comparés équitablement
Préparer les données d’entraînement dans l’environnement du partenaire par extraction, caviardage, déduplication, étiquetage et répartition entraînement/test, en utilisant uniquement les données nécessaires aux tâches convenues
Réaliser le post-entraînement en partenariat avec l’équipe de Recherche, en appliquant des méthodes modernes de réglage fin aux cas d’usage du partenaire
Exécuter l’entraînement sur l’infonuagique et les GPU du partenaire, ou dans un environnement qu’il approuve, selon ses règles de sécurité et d’accès
Concevoir des expériences qui montrent clairement aux partenaires ce qui détermine les résultats
Faire passer les modèles de l’évaluation à la production sur la base de preuves, puis surveiller la qualité, la latence et le coût une fois en service
Utiliser les résultats en production pour continuer d’améliorer le modèle
Présenter les résultats, la méthode et les compromis aux responsables des données et de la technologie chez le partenaire, et les défendre
Collaborer étroitement avec l’équipe de Recherche en lui transmettant ce que vous apprenez sur le terrain
Transformer chaque déploiement en outils réutilisables afin que le prochain partenaire avance plus vite
Maintenir des normes strictes de traitement des données, de confidentialité et de sécurité dans chaque environnement partenaire, et appuyer les examens de risque lié aux modèles, de sécurité et de conformité du partenaire avec une documentation claire des données, de l’entraînement et de l’évaluation
Avoir réalisé soi-même la boucle complète de post-entraînement, de la préparation des données au réglage fin d’un modèle à poids ouverts, à l’évaluation et au service, et non seulement des appels au service de réglage fin d’un fournisseur
Une expérience pratique du réglage fin supervisé et d’au moins une des approches suivantes, l’optimisation des préférences ou l’apprentissage par renforcement, y compris les méthodes à paramètres efficients comme LoRA
Une solide maîtrise de Python et de la pile d’entraînement standard, par exemple PyTorch, Hugging Face et vLLM, et de l’aisance à exécuter des tâches sur des GPU loués ou appartenant au client
Avoir construit des bancs d’essai et des évaluateurs à partir de données réelles désordonnées et les avoir utilisés pour démontrer qu’un modèle surpasse un autre en qualité, en coût et en latence
L’habitude de penser en ensembles réservés, en références et en ablations, et la capacité d’expliquer les limites d’un résultat aussi clairement que sa conclusion principale
Au moins deux déploiements en immersion chez un client d’entreprise, en travaillant dans ses systèmes, ses contrôles de données et ses examens de sécurité
L’assurance nécessaire pour présenter à des parties prenantes clientes de haut niveau, y compris des responsables des données et de la technologie, et pour remettre en question leurs positions
De solides compétences en ingénierie des données, en SQL, en pipelines, et en traitement et c