Software Engineer, Machine Learning

Название: Инженер-программист, машинное обучение Местоположение: Пало-Альто, Калифорния

Вознаграждение (диапазон базовой оплаты в Калифорнии): 221 000 – 331 000 долларов США в год

О AppLovin AppLovin создает технологии, которые помогают бизнесу любого размера находить своих идеальных клиентов. Компания предоставляет комплексные рекламные решения для бизнеса, позволяющие охватывать, монетизировать и развивать свою глобальную аудиторию. Для получения дополнительной информации об AppLovin посетите: www.applovin.com.

Для выполнения этой миссии наша глобальная команда состоит из членов с жизненным опытом, из разных слоев общества и с различными точками зрения, которые отражают наших разработчиков и клиентов по всему миру. В AppLovin мы целенаправленно подходим к формированию команды и культуры, ищем кандидатов, которые выдающиеся сами по себе, а также демонстрируют поддержку других.

AppLovin ищет инженера-программиста с сильным опытом в области машинного обучения для совершенствования технологий пользовательских сигналов и рекомендаций на нашей рекламной платформе, которая охватывает более 1 миллиарда пользователей по всему миру. На этой должности вы будете работать над крупномасштабными задачами машинного обучения, охватывающими пользовательские сигналы, обучение представлений, ранжирование, поиск, архитектуру моделей и оптимизацию. На этой должности вы будете работать над крупномасштабными задачами машинного обучения, охватывающими пользовательские сигналы, обучение представлений, ранжирование, поиск, архитектуру моделей и оптимизацию.

Вы будете разрабатывать новые способы понимания, представления и использования пользовательских сигналов и применять их к моделям ранжирования и рекомендаций. Вы будете работать над всем стеком ML, от пользовательских сигналов и разработки признаков до моделирования, экспериментов и внедрения в производство, чтобы повысить релевантность и производительность наших рекламных систем в масштабе.

Обязанности

• Разрабатывать и улучшать пользовательские сигналы, признаки и представления, используемые крупномасштабными моделями машинного обучения для рекламы и рекомендаций.
• Изучать подходы к машинному обучению для эффективного обучения на основе крупномасштабных, разреженных, зашумленных и гетерогенных пользовательских сигналов.
• Повышать качество, охват и использование пользовательских сигналов, а также измерять их влияние на последующие модели машинного обучения и эффективность рекламы.
• Разрабатывать пользовательские представления и подходы к моделированию, которые эффективно включают пользовательские сигналы в системы ранжирования, поиска, прогнозирования и оптимизации.
• Совершенствовать крупномасштабные рекомендательные системы, охватывающие поиск кандидатов, ранжирование, прогнозирование и оптимизацию.
• Изучать новые архитектуры моделей и подходы к обучению для повышения качества рекомендаций и эффективности рекламы.
• Разрабатывать масштабируемые подходы для обучения представлений, взаимодействия признаков и многозадачного обучения на основе крупномасштабных пользовательских сигналов.
• Выявлять и решать сложные задачи ML, охватывающие качество пользовательских сигналов, качество признаков, качество моделей, стабильность обучения, целостность данных и производительность обслуживания.
• Масштабировать модели машинного обучения и системы обучения для поддержки увеличения объема данных, сложности моделей и вычислительных требований.
• Повышать эффективность обучения и инференса, выявляя узкие места в вычислениях моделей, загрузке данных, использовании памяти, распределенном выполнении и использовании оборудования.
• Создавать масштабируемые инструменты и фреймворки для оценки пользовательских сигналов и признаков, обучения моделей, экспериментов, развертывания, мониторинга и отладки.
• Проектировать и анализировать офлайн- и онлайн-эксперименты для понимания инкрементальной ценности пользовательских сигналов и улучшений моделей, а также их влияния на результаты продуктов и бизнеса.
• Тесно сотрудничать с командами инженеров, специалистов по данным и менеджеров по продуктам для внедрения новых пользовательских сигналов и подходов машинного обучения из стадии экспериментов в производство.

Минимальные квалификации

• Степень бакалавра в области компьютерных наук, компьютерной инженерии, машинного обучения или смежной технической области, или эквивалентный практический опыт.
• Более 4 лет опыта разработки и внедрения систем машинного обучения в производственных средах.
• Опыт работы с машинным обучением или глубоким обучением в таких областях, как рекомендации, ранжирование, поиск, прогнозирование, реклама, обучение представлений или связанные с ними приложения.
• Опыт разработки и обучения моделей машинного обучения с использованием крупномасштабных наборов данных.
• Глубокое понимание основ машинного обучения, включая архитектуры моделей, оптимизацию, обучение представлений, инженерию признаков и оценку моделей.
• Сильные навыки программирования и разработки программного обеспечения, с опытом создания надежных производственных систем.
• Опыт работы с современными фреймворками глубокого обучения, такими как PyTorch или TensorFlow.
• Опыт диагностики и решения проблем, связанных с качеством данных и признаков, качеством моделей, обучением или производительностью обслуживания.

Предпочтительные квалификации

• Опыт разработки пользовательских сигналов, признаков или обученных пользовательских представлений для крупномасштабных систем машинного обучения.
• Опыт работы с крупномасштабными рекомендательными или рекламными системами, включая генерацию кандидатов, поиск, ранжирование или прогнозирование.
• Опыт работы с обучением представлений, эмбеддингами, взаимодействием признаков или многозадачным обучением с использованием крупномасштабных пользовательских сигналов.
• Опыт измерения инкрементальной ценности пользовательских сигналов и понимания их влияния на производительность ранжирования или рекомендаций.
• Опыт разработки и масштабирования архитектур глубокого обучения для рекомендательных систем, систем ранжирования или рекламных приложений.
• Опыт распределенного обучения моделей и крупномасштабной ML-инфраструктуры.
• Опыт оптимизации рабочих нагрузок обучения или инференса на GPU или других ускорителях.
• Опыт оптимизации ML-систем по задержке, пропускной способности, использованию памяти или вычислительной эффективности.
• Опыт проектирования и анализа онлайн-экспериментов и офлайн-оценок моделей.

AppLovin предлагает конкурентоспособный общий компенсационный пакет с подходом вознаграждения за результаты. Общая компенсация в AppLovin основана на ряде факторов, включая местоположение на рынке, и может варьироваться в зависимости от знаний, навыков и опыта, связанных с работой. В зависимости от предлагаемой должности, опционы и другие формы стимулирующих выплат (применительно) могут предоставляться в рамках общего компенсационного пакета, в дополнение к медицинской страховке, страхованию зрения и другим льготам.

Другие виды выплат: Право на опционы Медицинское страхование: Медицинское, Стоматологическое, Зрение, Страхование жизни, Страхование от нетрудоспособности Пенсионные пособия: Пенсионный план 401(k) Оплачиваемый отпуск: Неограниченный дискреционный отпуск Оплачиваемые праздники: 10 оплачиваемых праздников в год Оплачиваемый больничный: 80 часов в год Способ подачи заявления: Подать заявку онлайн Срок подачи заявок: Ожидается, что окно подачи заявок закроется в течение 30 дней с даты публикации.

Все вопросы или опасения по поводу этого объявления следует направлять по адресу контакт рекрутера.

Базовый диапазон оплаты в Калифорнии $221 000 — $331 000 USD

AppLovin с гордостью является работодателем равных возможностей, приверженным принципам инклюзивности и разнообразия. Все кандидаты будут рассматриваться для трудоустройства независимо от расы, цвета кожи, религии, пола, сексуальной ориентации, гендерной идентичности, национального происхождения, статуса ветерана или инвалида или других характеристик, защищенных законом.

Если вам требуется помощь и/или разумное приспособление из-за инвалидности во время процесса подачи заявления или найма, отправьте нам запрос по адресу контакт рекрутера.

AppLovin будет рассматривать для трудоустройства всех квалифицированных кандидатов с криминальным прошлым в соответствии с применимым законодательством.

Для поддержки эффективного и справедливого процесса найма мы можем использовать технологические инструменты, включая искусственный интеллект (ИИ), для помощи в выявлении и оценке кандидатов. Все решения о найме в конечном итоге принимаются людьми-рецензентами.

Пожалуйста, ознакомьтесь с нашим Глобальным уведомлением о конфиденциальности кандидатов, чтобы узнать больше о том, как AppLovin обрабатывает вашу личную информацию.