Мы ищем старшего инженера-исследователя для создания и улучшения ML-инфраструктуры, которая обеспечивает наши исследования глубокого обучения и торговлю. Наши DL-стратегии становятся все более важным драйвером бизнеса, и инфраструктура, лежащая в их основе, напрямую влияет на то, как быстро исследователи могут тестировать идеи, насколько эффективно мы используем вычислительные ресурсы и насколько надежно успешные исследования достигают продакшена на разных рынках и классах активов. Вы будете работать на стыке исследований глубокого обучения и инфраструктуры. Ваша работа заключается не только в поддержании ML-систем, но и в выявлении того, что замедляет исследования, решении технически сложных проблем во всем стеке и преобразовании исследовательских прототипов в надежные, масштабируемые продакшн-системы. Область охвата широка: фреймворки обучения, наборы данных и конвейеры данных, распределенное обучение, инфраструктура экспериментов, воспроизводимость, наблюдаемость и инструментарий вокруг жизненного цикла исследований. В зависимости от ваших сильных сторон, вы можете углубиться в одну из этих областей или работать над несколькими из них. Это роль с высокой степенью практической вовлеченности (IC) со значительной технической ответственностью. Вы будете тесно сотрудничать с исследователями, другими инженерами-исследователями и инфраструктурными командами, и от вас ожидается самостоятельное решение важных проблем от диагностики до продакшена. Обязанности Превращение успешных исследовательских прототипов в надежные реализации, которые могут быть обучены, валидированы и развернуты на различных рынках и классах активов; Прямое взаимодействие с исследователями для устранения инфраструктурных узких мест в цикле исследований — упрощение прототипирования новых идей, ускорение проведения экспериментов и облегчение понимания ошибок; Создание и улучшение нашей внутренней ML-платформы — фреймворка обучения, наборов данных и конвейеров данных, оркестрации, инструментов для отслеживания экспериментов и обеспечения воспроизводимости, инфраструктуры GPU/вычислений и инструментов для выпуска моделей в продакшн; Комплексное владение технически сложными областями ML-стека: выявление проблем, разработка решений, их реализация, измерение их влияния и поддержка в продакшене; Обеспечение воспроизводимости и наблюдаемости обучения: расследование регрессий, отладка моделей, которые больше не воспроизводятся из мастера, и улучшение инструментария, связанного с данными, экспериментами, качеством моделей и поведением обучения; Принятие ответственности за общий код для обучения, наборов данных и исследовательской инфраструктуры — проактивный поиск ошибок, сокращение технического долга, улучшение абстракций и поддержание высоких стандартов посредством строгого ревью кода; Работа над границами команд, когда исследовательская проблема охватывает наборы данных, хранилища, вычисления, инфраструктуру обучения или продакшн-системы; Выявление областей, где исследователи постоянно платят инфраструктурный налог, и создание повторно используемых решений вместо исправления одной и той же проблемы по частям; При необходимости, прямое участие в исследованиях: проведение экспериментов, исследование поведения моделей, прототипирование архитектурных или оптимизационных идей и помощь в повышении качества моделей. Требования Сильный, универсальный инженер ML-систем / исследователь, комфортно работающий над неоднозначными проблемами на стыке глубокого обучения и инфраструктуры; Сильный опыт в по крайней мере одной из следующих областей: крупномасштабные ML-системы обучения и распределенное обучение; ML/инфраструктура данных, включая наборы данных, форматы хранения, оркестрацию, отслеживание экспериментов и конфигурацию; исследовательский инжиниринг, связанный с крупномасштабными системами глубокого обучения; Практический опыт ускорения ML-исследований или повышения их надежности: например, за счет сокращения времени обучения, улучшения использования оборудования, ускорения доступа к данным, улучшения рабочих процессов экспериментов или устранения повторяющихся инфраструктурных узких мест; Способность самостоятельно исследовать сложные системы: профилировать их, формировать гипотезы, проводить эксперименты, отслеживать проблемы через границы абстракций и приходить к практическим решениям; Сильное инженерное суждение и высокие стандарты качества кода, воспроизводимости, наблюдаемости и поддерживаемости в большой общей кодовой базе ML; Сильное продуктовое видение по отношению к внутренней исследовательской инфраструктуре: вас интересует не только то, работает ли система, но и то, могут ли исследователи эффективно использовать ее и быстро итерировать; Способность тесно сотрудничать с исследователями, понимать, чего они пытаются достичь, и преобразовывать исследовательские потребности в инфраструктурные улучшения, которые со временем накапливаются; Сильная ответственность и инициатива: вы замечаете важные проблемы, у которых нет явного владельца, и готовы довести их от неясного состояния до рабочего решения; Способность влиять на техническое направление посредством экспертизы, проектирования, ревью кода и сотрудничества без необходимости формального управленческого авторитета; Хотя предыдущий опыт торговли может быть полезен, он не является обязательным. Нашим приоритетом является мышление, основанное на первых принципах, глубокая техническая экспертиза и готовность переосмыслить, как должна работать инфраструктура для количественных ML-исследований. Что мы предлагаем Динамичная и международная среда в быстрорастущей технологической компании; Зарплата на верхней границе рынка, наряду со значительными бонусами дважды в год; Свобода формировать внутреннюю культуру и создавать значимые впечатления для сотрудников, проводить мероприятия по тимбилдингу; Медицинская страховка, компенсация спортивных расходов; покрытие языковых курсов; Поддерживающая, опытная команда, которая ценит сотрудничество — и где ваше влияние будет видно каждый день.