Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
HYPERCONNECT
Сеул, Южная Корея2 месяца назад
Грейд
Staff
Опыт работы
от 5 лет
Формат работы
Гибрид
Тип занятости
Полная занятость
Уровень английского
B2, выше среднего
Письмо на почту или сообщение рекрутеру в Telegram
HYPERCONNECT AI — это организация, которая добивается реальных бизнес-результатов посредством исследований в области машинного обучения. Мы переформулируем бизнес-проблемы как ML-задачи и фокусируемся на улучшении ключевых показателей продукта. Мы избегаем простого применения готовых решений, вместо этого заново продумывая постановку задачи и самостоятельно определяя наилучшие варианты. В результате исследования HYPERCONNECT AI привели к реальному бизнес-эффекту, и некоторые из этих случаев были представлены в отчетах о прибылях нашей головной компании Match Group. В HYPERCONNECT AI исследования — это средство, а не цель; наша цель — явный бизнес-эффект. Ниже приведены примеры задач, которые мы решаем в HYPERCONNECT AI: Масштабирование рекомендательных моделей: Хотя законы масштабирования широко признаны в LLM, это не так в рекомендательных моделях. Мы проводим исследования по созданию структур, которые улучшают производительность по мере увеличения масштаба моделей и данных. Мы работаем с крупными моделями, включая LLM, но проектируем модели с учетом практических ограничений, таких как вывод. Согласование рекомендательных моделей: Все рекомендательные задачи в конечном итоге сводятся к количественной оценке того, «насколько вырастет бизнес, если этому пользователю будет показан этот контент». Мы исследуем методы пост-обработки масштабируемых рекомендательных моделей на основе обучения с подкреплением, причинно-следственного вывода и теории игр для согласования с бизнес-целями. Автоматизация ML-процессов модерации с использованием мультимодальных LLM: Мы проводим исследования по автоматизации и совершенствованию этапов маркировки данных, улучшения моделей и оценки в процессах Trust & Safety (модерации), охватывающих несколько модальностей, таких как изображения, голос и текст, с помощью LLM. Мы фокусируемся на том, чтобы LLM точно понимали внутренние данные и политики компании, а их суждения были надежными на уровне внутренних экспертов. Значимые результаты исследований иногда публикуются в виде статей или в виде открытого исходного кода. Мы не ставим целью публикацию статей, но если в процессе решения продуктовых задач возникают аспекты, которые не могут быть полностью объяснены существующими исследованиями, мы систематизируем их и оставляем в виде результатов исследований (см. ссылки). На сегодняшний день мы опубликовали около 20 внешних исследовательских результатов. Чтобы решать бизнес-задачи с помощью ИИ, необходимо также иметь надлежащую инфраструктуру для обучения моделей. В HYPERCONNECT AI мы создали и используем собственный кластер GPU для исследований, чтобы ML Research Scientist могли полноценно заниматься разработкой и экспериментами с моделями.
Staff, Machine Learning Research Scientist (Azar) В Azar, сервисе, соединяющем людей, мы решаем проблемы, которые труднодоступны для существующих технологий, но поддаются решению с помощью машинного обучения. Мы решаем проблемы в областях рекомендаций, модерации и новых инновационных направлений Azar, стремясь к тому, чтобы разработанные нами технологии способствовали росту реального сервиса.
В качестве ключевого партнера Head of AI, мы определяем ключевые проблемы, которые необходимо решить в областях рекомендаций и модерации Azar. Мы согласовываем точки зрения различных профессий и лидеров, а также совместно принимаем решения о приоритетах организации и стратегии реализации, основанной на бизнес-эффективности и технической реализуемости. Мы выявляем возможности, которые не удается обнаружить только на основе существующих продуктовых требований, основываясь на последних исследованиях и достижениях в области ИИ/ML. Мы предлагаем, как новые технологии могут революционизировать Azar, и оцениваем, стоит ли инвестировать, исходя из технической и деловой реализуемости, а также долгосрочных технических преимуществ. Мы переформулируем бизнес-требования как задачи ИИ/ML и разрабатываем решения, рассматривая широкий спектр методов, включая не только глубокое обучение, но и классическое машинное обучение, статистику и оптимизацию. Мы не ограничиваемся итеративным добавлением эвристик и исключений для удовлетворения бизнес-требований, а, основываясь на глубоком понимании структуры задачи и ML-теории, ищем направления, близкие к теоретически оптимальным в рамках заданных ограничений. Мы напрямую занимаемся сложными ML-задачами и неотложными бизнес-проблемами. Мы добиваемся не только офлайн-производительности модели, но и проверяем изменения в пользовательском опыте и реальных показателях сервиса, чтобы обеспечить долгосрочный рост продукта и бизнеса. Мы понимаем всю ML-систему, связывающую данные, обучение, оценку, эксперименты, обслуживание и обратную связь, выходя за рамки производительности отдельных моделей. Мы проектируем структуру всей системы и роли каждого компонента с точки зрения ML, чтобы обеспечить быстрые и надежные эксперименты и постоянные улучшения. Мы согласовываем исследовательские темы и направления решений с другими ML Research Scientist, направляя каждое исследование к единой технической стратегии и продуктовому результату. Мы сотрудничаем с Machine Learning Software Engineer, инженерами данных, продуктовыми командами и т. д., чтобы принимать технические решения, которые приведут к применению результатов исследований в реальных продуктах.
Наличие степени PhD в области машинного обучения и смежных дисциплин или эквивалентные исследовательские навыки. Более 5 лет опыта разработки и улучшения продуктов или услуг на основе машинного обучения в индустрии. Опыт определения четких ML-задач из неоднозначных бизнес-проблем и разработки стратегий решения, основанных на теоретических обоснованиях и экспериментах. Опыт самостоятельного и до конца решения сложных и трудных задач, а также связи производительности модели с улучшением пользовательского опыта или бизнес-показателей. Способность согласовывать технические направления и убедительно принимать решения, сотрудничая с другими исследователями, инженерами и нетехническими специалистами.
Опыт публикации статей в качестве основного автора в ведущих конференциях по ИИ/ML (NeurIPS, ICLR, ICML, CVPR, KDD и т. д.). Опыт исследований в области ключевых технологий рекомендательных систем, обучения с подкреплением, LLM и AI Agent. Опыт вывода на рынок и итеративного улучшения ML-систем для сервисов, ориентированных на пользователей и обрабатывающих большой трафик. Способность руководить техническими дискуссиями с глобальными командами на английском языке.
Тип занятости: Полная занятость
About HYPERCONNECT AI HYPERCONNECT AI is an organization that drives real business results through machine learning research. We reframe business problems as ML tasks and focus on improving key product metrics. We avoid simply applying off-the-shelf solutions, instead rethinking problem formulation and identifying the best approaches ourselves. As a result, HYPERCONNECT AI research has led to real business impact, with some of these cases featured in our parent company Match Group's earnings reports. At HYPERCONNECT AI, research is a means, not an end; our goal is clear business impact. Below are examples of problems we solve at HYPERCONNECT AI: Scaling Recommendation Models: While scaling laws are widely recognized in LLMs, this is not yet the case for recommendation models. We conduct research to create structures that improve performance as models and data scale. We work with large models, including LLMs, but design models with practical constraints such as inference in mind. Aligning Recommendation Models: All recommendation tasks ultimately boil down to quantifying 'how much will the business grow if this user is shown this content.' We explore methods for post-processing scalable recommendation models using reinforcement learning, causal inference, and game theory to align with business objectives. Automating ML Moderation Workflows with Multimodal LLMs: We conduct research to automate and enhance data labeling, model improvement, and evaluation steps in Trust & Safety (moderation) workflows that span multiple modalities, such as images, voice, and text, using LLMs. We focus on ensuring LLMs accurately understand internal company data and policies, and that their judgments are robust to the level of internal experts. Meaningful research outcomes are sometimes published as papers or open-sourced. We do not aim to publish papers, but if aspects arise during the course of solving product problems that cannot be fully explained by existing research, we systematize them and leave them as research outcomes (see references). To date, we have published around 20 external research outcomes. To solve business problems with AI, one must also have the proper infrastructure for training models. At HYPERCONNECT AI, we have built and utilize our own GPU cluster for research, allowing ML Research Scientists to fully focus on model development and experimentation.
Staff, Machine Learning Research Scientist (Azar) At Azar, a service that connects people, we tackle problems that are out of reach for existing technologies but solvable with machine learning. We solve problems in recommendations, moderation, and Azar's new innovative areas, aiming for the technologies we develop to contribute to the growth of the actual service.
Responsibilities As a key partner to the Head of AI, we identify critical problems to solve in Azar's recommendation and moderation domains. We align perspectives across various professions and leaders, and jointly make decisions on organizational priorities and implementation strategy based on business impact and technical feasibility. We identify opportunities that cannot be discovered from existing product requirements alone, drawing on the latest research and advancements in AI/ML. We propose how new technologies can revolutionize Azar and evaluate whether they are worth investing in, based on technical and business feasibility, as well as long-term technical advantages. We reframe business requirements as AI/ML problems and develop solutions, considering a wide spectrum of methods, including not only deep learning but also classical machine learning, statistics, and optimization. We do not limit ourselves to iteratively adding heuristics and exceptions to meet business requirements but, based on a deep understanding of problem structure and ML theory, seek directions close to theoretically optimal within given constraints. We directly tackle challenging ML problems and pressing business issues. We strive not only for offline model performance but also validate changes in user experience and real service metrics to ensure long-term product and business growth. We understand the entire ML system, connecting data, training, evaluation, experimentation, serving, and feedback, going beyond the performance of individual models. We design the structure of the entire system and the role of each component from an ML perspective to enable fast and reliable experimentation and continuous improvement. We align research themes and solution directions with other ML Research Scientists, guiding each research effort towards a unified technical strategy and product outcome. We collaborate with Machine Learning Software Engineers, Data Engineers, Product Teams, etc., to make technical decisions that lead to research outcomes being applied to real products. Requirements PhD degree in Machine Learning or related fields, or equivalent research experience. 5+ years of experience in developing and improving ML-based products or services in the industry. Experience in defining clear ML problems from ambiguous business problems and developing solution strategies based on theoretical rationale and experimentation. Experience in independently and end-to-end solving difficult and challenging problems, and connecting model performance to improvements in user experience or business metrics. Ability to align technical directions and make decisions persuasively through collaboration with other researchers, engineers, and non-technical stakeholders. Preferred Qualifications Experience publishing papers as a primary author in top AI/ML conferences (NeurIPS, ICLR, ICML, CVPR, KDD, etc.). Research experience in key technologies such as recommendation systems, reinforcement learning, LLMs, and AI Agents. Experience in bringing ML systems to market and iteratively improving them for user-facing, high-traffic services. Ability to lead technical discussions with global teams in English. Recruiting Process Employment Type: Full-time Recruiting Process: Resume Screening > Recruiter Call > 1st Interview > 2nd Interview > Final Offer (*Stages may be added/modified as needed). Application Documents: Resume in free form detailing work experience in Korean or English (PDF).
If false information is discovered or there are obstacles to providing employment services in accordance with current laws, the employment contract may be terminated, and the recruitment process may include additional stages and document verifications not previously stated. Individuals eligible for benefits under the Act on the Honorable Treatment of Persons of National Merit (국가보훈대상자) receive preferential treatment in accordance with relevant laws. Please indicate this when applying if you fall into this category, and provide supporting documents upon hiring.
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 83 000 до 161 000