Research Engineer (Reinforcement Learning)

Название: Инженер-исследователь (Обучение с подкреплением) Местоположение: Северная Америка / APJ / EMEA / Удаленно

Компенсация: $135 000 - $300 000 в год

О LIVEKIT

LiveKit создает инфраструктурный слой для эпохи голосовых вычислений. Наша платформа предоставляет разработчикам все необходимое для создания, тестирования, развертывания, масштабирования и мониторинга агентов в производственной среде. Основанная в 2021 году, LiveKit обеспечивает работу голосовых ИИ-приложений для OpenAI, xAI, Salesforce, Coursera, Spotify и тысяч других компаний, совместно обрабатывая миллиарды звонков каждый год.

ОБ ЭТОЙ РОЛИ

Мы ищем исключительного инженера для создания post-training решений в LiveKit. Наши агенты работают через голосовые каналы и все чаще через текстовые каналы, такие как SMS и чат. Интересные задачи возникают на длинных временных горизонтах: поддержание полезности на протяжении многих сессий, работа с контекстом, который накапливается со временем, и надежное использование инструментов в середине живого разговора.

ЧТО ВЫ БУДЕТЕ ДЕЛАТЬ

• Создавать среды и верификаторы, против которых обучаются наши модели
• Владеть конвейером синтетических данных, от генерации до контроля качества
• Проводить эксперименты по обучению от начала до конца и объяснять, что повлияло на модель
• Создавать оценки, которые релиз должен пройти
• Выбирать и адаптировать базовые модели с открытыми весами для наших задач
• Обеспечивать, чтобы обученное поведение работало как для голосовых, так и для текстовых агентов
• Внедрять модели в производство и продолжать улучшать их на основе реального использования

КТО ВЫ

• Сильный Python-инженер
• Имеете опыт сопровождения модели от необработанных данных до производственной среды
• Относитесь к данным как к продукту: покрытие, разнообразие, утечка
• Предполагаете, что модель будет использовать слабые вознаграждения, и проектируете против этого
• Комфортно работаете с GPU и честно оцениваете их ограничения
• Знаете, когда нужно обучать, а когда нет
• Комфортно работаете в удаленной среде, в команде

ПЛЮСОМ БУДЕТ

• Опыт работы с post-training: дообучение (fine-tuning), дизайн вознаграждений или обучение с подкреплением (reinforcement learning), такое как GRPO
• Фреймворки для RL и дообучения, такие как TRL, verl или OpenRLHF, или собственный цикл обучения
• Быстрые развертывания с vLLM или SGLang, многопроцессорное обучение с FSDP
• Обучение агентов, использующих инструменты, или многоходовых агентов
• Песочницы для выполнения, верификаторы, системы оценки или инструменты, от которых зависят другие инженеры
• Семейства моделей с открытыми весами, такие как Qwen или Llama, LoRA и аналогичные

НАШИ ОБЯЗАТЕЛЬСТВА ПЕРЕД ВАМИ

• Возможность формировать бренд быстрорастущей платформы для разработчиков
• Сотрудничество с небольшой, опытной командой, которая глубоко ценит мастерство и творчество
• Конкурентная заработная плата и пакет акций
• Медицинское страхование, стоматологическое страхование и страхование зрения
• Гибкая политика отпусков

LiveKit является работодателем, предоставляющим равные возможности, и не дискриминирует по признаку какой-либо характеристики, защищенной применимым законодательством. Если вам требуется разумное приспособление во время процесса подачи заявления или собеседования, пожалуйста, свяжитесь с контакт рекрутера.