Machine Learning Engineer/ka
Hledáme člověka, kterého zajímá samotné učení modelů. Ne jen jejich použití. Budujeme vlastní modely nad rozsáhlými sekvenčními daty a hledáme ML Engineera, který s námi bude řešit, jak reprezentovat realitu v datech, co přesně má model predikovat, jakou architekturu použít a jak nastavit learning objective tak, aby se model skutečně naučil požadované schopnosti. Máme vlastní compute infrastrukturu, reálná data a prostor dělat skutečné training experimenty - nejde o další pozici zaměřenou primárně na prompt engineering nebo RAG.
Co budeš řešit:
Návrh a trénování neuronových a dalších ML modelů
Experimentování s modelovými architekturami
Práci se sekvenčními a temporálními daty
Návrh reprezentace vstupních dat
Definici toho, jaká data a labels model pro daný problém potřebuje
Návrh training objectives a loss functions
Experimenty s tím, jak model naučit konkrétní schopnosti
Multi-task learning a modely s více predikčními cíli
Analýzu training dynamics, generalizace a failure modes
Evaluaci modelů a návrh experimentů
Hledání příčin, proč se model něco naučil - nebo nenaučil
Hledáme především někoho, kdo má silné ML základy, dokáže přemýšlet nad learning problémem a chce se dostat hluboko do toho, jak modely skutečně fungují a učí se.
Co bys měl/a umět:
Prakticky pracovat s PyTorch, JAX, TensorFlow nebo obdobným ML frameworkem
Rozumět neuronovým sítím, backpropagation a gradient-based optimization
Samostatně navrhnout, natrénovat a vyhodnotit ML experiment
Rozumět tomu, jak data, labels, model architecture, objective function a evaluace společně ovlivňují výsledné chování modelu
Umět převést reálný problém do smysluplně definovaného ML / prediction problému
Rozumět práci se sekvenčními nebo temporálními daty, případně mít schopnost se do této oblasti rychle dostat
Rozumět základním principům representation learningu a tomu, jak model vytváří interní reprezentace dat
Umět pracovat s problémy jako class imbalance, sampling bias, noisy labels nebo data leakage
Rozumět generalizaci, overfittingu a rozdílu mezi training, validation a skutečným chováním modelu v produkci
Umět navrhovat experimenty, porovnávat varianty a používat ablation studies místo náhodného ladění hyperparametrů
Umět debugovat ML systém napříč celým řetězcem data - labels - representation - architecture - objective - prediction - evaluation
Umět číst ML research papers a převádět relevantní myšlenky do praktických experimentů
Mít dobré základy statistiky, pravděpodobnosti, lineární algebry a optimalizace
Velkou výhodou je:
Zkušenost se sequence models, Transformers nebo jinými architekturami pro sekvenční data
Zkušenost s representation learningem nebo self-supervised learningem
Zkušenost s multi-task learningem nebo modely s více prediction heads
Zkušenost s vlastními loss / objective functions
Zkušenost s time-series nebo event-sequence daty
Zkušenost s embeddingy a učením latentních reprezentací
Reinforcement learning nebo reward modeling
Distributed training nebo práce s větším compute
Schopnost reprodukovat nebo implementovat metody z research paperů
Žádná z těchto zkušeností však není podmínkou.
Proč se ti u nás bude líbit:
Nebudeš jen používat hotové modely - budeš řešit, jak se model skutečně učí a co se má naučit
Budeš pracovat s reálnými sekvenčními daty a na problémech, kde není řešení předem dané
Dostaneš prostor navrhovat vlastní architektury, objectives, loss functions a experimenty
Máme vlastní compute infrastrukturu, takže nejsme omezeni jen na malé experimenty nebo API-based development
Budeš mít vliv na research směr, nejen implementovat předem připravené experimenty
Můžeš se dostat hluboko do representation learningu, multi-task learningu, sequence models a model evaluation
Pracujeme na reálných use casech, takže research nekončí u benchmarku - musí fungovat i mimo notebook
Malý technický tým znamená vysokou míru autonomie a přímý vliv na to, co a jak stavíme
Pokud tě víc baví otázka „proč se model naučil právě toto?“ než jen „jak použít další hotový model“, budeš mít na čem pracovat
Pokud jsi dobrý ML engineer, researcher, doktorand nebo absolvent se silnými základy a láká tě přejít od používání hotových AI modelů k tomu, že budete řešit co se má model naučit, z jakých dat, jakým způsobem a proč, hledáme právě tebe!
Co ti u nás zpříjemní práci:
Hybridní fungování: Kombinujeme práci z domova s setkáváním v originálních kancelářích v Praze 7. Flexibilní pracovní doba pomáhá držet zdravý work-life balance
Prostor pro inovace: Máš čas zkoušet nové věci a přinášet vlastní nápady, které mohou ovlivnit technický směr projektů
Růst a vzdělávání: Podpoříme tě vzdělávacími kurzy, sdílením znalostí i příležitostí růst spolu s technologicky silným týmem
Pohodové zázemí: K dispozici bude notebook, občerstvení, firemní kantýna, relaxační a herní zóna, MultiSport karta, stravenky i parkování. Vítaní jsou také cyklisté a čtyřnozí kolegové
Férové prostředí: Jsme stabilní firma s přátelskou atmosférou, podporujeme diverzitu, společenskou odpovědnost a vztahy, které nekončí u pracovního chatu
Odpočinek i tým: Čeká tě dovolená navíc, teambuildingy a prostředí, kde se výkon nepočítá na úkor normálního života
O nás
ZENTITY je technologická společnost zaměřená na vývoj, zabezpečení a integraci digitálních řešení pro mobilní zařízení a responsivní web. Naše produkty a služby používají významné globální společnosti, zároveň působíme i v eHealth a energetice.
Jsme tým o velikosti, která spojuje stabilitu s prostorem věci opravdu ovlivnit. Máme dlouholeté zkušenosti, pobočku na Slovensku a zastoupení v Maďarsku i USA. Zakládáme si na kvalitě řešení, otevřené atmosféře a lidech, kteří mají chuť posouvat technologie i sebe.
Zaujala tě tahle výzva?
Pošli nám CV, LinkedIn nebo pár vět o projektech, na kterých ses podílel/a. Ozveme se ti během pár dní a nejdřív si neformálně popovídáme o roli i tom, co od další spolupráce čekáš.
Potom navážeme technickým rozhovorem nad tvými zkušenostmi a dostaneš prostor poznat budoucí kolegy z týmu. Ozvi se, těšíme se na tebe.