ML-ingenjör

Denna roll är för Nebius AI R&D, ett team fokuserat på tillämpad forskning inom AI. Vår forskning kring portabilitet syftar till att göra intelligenta agentsystem tillförlitliga när modeller, leverantörer, harnessar, färdigheter, minnessystem och driftsmiljöer förändras. Vi bygger och utvärderar portabla lager som bevarar förmåga, kontext, identitet, proveniens och användarkontroll över heterogena system. Forskningsområden inkluderar: - Modellrouting per vända baserat på kvalitet, kostnad, latens, förmåga, cache-tillstånd och tillförlitlighetsmål - Leverantörs- och protokollportabilitet mellan frontier-modeller, open-source-modeller, lokal inferens och kompatibla API:er - Interoperabilitet mellan agenter och harnessar, inklusive överförbara färdigheter, förmågeprofiler, åtgärder, verktyg och banor - Portabelt, användarägt minne och kontext med omfattande identitet, proveniens, retrieval, feedback och granskningsbar komprimering - Standarder för agentutbyte, överensstämmelsestestning, verktygs- och MCP-åtkomst samt agent-till-agent-kommunikation - Optimering av agenter och harnessar genom utvärdering, destillering, anpassning och multi-agent-inlärning Du kommer att designa och bygga forskningsprototyper och robusta system i gränssnittet mellan modeller, leverantörer och agent-runtimes. Du kommer att formulera forskningsfrågor, utveckla utvärderingsmetoder, testa idéer i realistiska agentarbetsflöden och omvandla lovande resultat till återanvändbara komponenter. Vi söker för närvarande ML-ingenjörer på senior- och staff-nivå för att arbeta med forskning inom områden som: - Inlärda, regelbaserade och hybrida modellroutrar, kaskader och system för kandidatrankning - Avvägningar mellan kvalitet-kostnad-latens, osäkerhetsskattning, utforskning och utfallsmedveten routing - Gateways för flera leverantörer, protokollöversättning, katalognormalisering och fail-closed exekveringskontrakt - Portabla agentfärdigheter, upptäckt av harness-förmågor, paketanpassning och överensstämmelse mellan harnessar - Representationer av minne, identitet, kontext, bana och utfall som förblir portabla mellan agenter och modeller - Retrieval, kontextval, kontextkomprimering och feedbacksystem med explicit proveniens och tillitsgränser - Standarder för agentinteroperabilitet, inklusive metadata, åtgärdsformat, plugins, verktyg, MCP och agent-till-agent-gränssnitt - Agentoptimering, lärare-elev-destillering, färdighetsgenerering, anpassning av harnessar och multi-agent-inlärning - Benchmarking- och utvärderingsinfrastruktur för ändringar i modeller, routrar, minnen, färdigheter och harnessar Exempel på dina ansvarsområden kan inkludera: - Design, implementering, träning och utvärdering av modellroutrar som väljer en lämplig modell eller resonemangsprofil för varje vända - Utveckling av portabla leverantörs- och protokollabstraktioner som bevarar autentisering, telemetri, cache- och kontextsignaler samt exekveringsproveniens - Definition av versionshanterade scheman och kontrakt för modeller, leverantörserbjudanden, agenter, arbetsytor, färdigheter, åtgärder, verktyg, minnen och banor - Byggande av system som upptäcker, paketerar, anpassar och validerar agentfärdigheter i kodningsagenter, redigerare och andra harnessar - Forskning kring användarägt minne, omfattande identitet, ban-kontrollpunkter, slututfall, retrieval-kvalitet och granskningsbar kontextkomprimering - Skapande av benchmark-sviter och utvärderingsprotokoll för kvalitet, kostnad, latens, tillförlitlighet, säkerhet och portabilitet - Design av held-out, out-of-domain och förändringspåverkansutvärderingar som testar nya eller borttagna modeller, leverantörer, färdigheter och harness-versioner - Undersökning av destillering, självförbättrande harnessar, multi-agent-träning, agentfabriker och automatiserad färdighetsskapande - Skrivande av robust forskningsmjukvara, API:er, integrationslager och testinfrastruktur som möjliggör snabba men reproducerbara experiment - Samarbete över forsknings- och ingenjörsteam för att översätta lovande idéer till säkra, reversibla och tillförlitliga system - Kommunikation av resultat genom tekniska rapporter, demonstrationer, open-source-släpp, benchmarks och forskningspublikationer Vi förväntar oss att du har: - En djup förståelse för maskininlärning, stora språkmodeller eller statistiskt beslutsfattande - Djup expertis inom minst ett relevant område, såsom modellrouting, rekommendationssystem, agentsystem, retrieval och minne, modellutvärdering, distribuerade system eller protokoll- och API-design - Erfarenhet av att bygga och utvärdera moderna språkmodell- eller agentsystem, inklusive verktygsanvändning och flerstegsarbetsflöden - Erfarenhet av att designa, utföra och analysera maskininlärningsexperiment med lämplig statistisk stringens - Förmåga att formulera meningsfulla forskningsfrågor, designa experiment som testar tydliga hypoteser och dra försvarbara slutsatser - Förståelse för utvärderingsläckage, held-out-testning, generalisering utanför domänen, osäkerhet och reproducerbarhet - Starka mjukvarutekniska och algoritmiska färdigheter; utmärkta Python-kunskaper och förmåga att arbeta i produktionssystem - Erfarenhet av API:er, datascheman, distribuerade tjänster, testning, observerbarhet, kodgranskning och CI/CD - Förmåga att resonera kring säkerhet, integritet, proveniens, behörigheter, fellägen och användarkontroll i agentsystem - Erfarenhet av att implementera forskningsidéer och iterera snabbt över modellering, data, system och utvärdering - Stark kommunikations- och tekniskt ledarskap, inklusive samarbete över forsknings- och ingenjörsdiscipliner och tydlig dokumentation av fynd i tekniska rapporter eller forskningspublikationer Meriterande: - Erfarenhet av modellroutrar, kaskader, mixture-of-experts-system, rekommendationssystem eller kostnadsmedveten inferens - Erfarenhet av att integrera flera modellleverantörer eller inferensstackar, inklusive OpenAI-kompatibla API:er, Anthropic-stil API:er, lokal inferens eller open-source-serveringssystem - Bekantskap med agent-harnessar, kodningsagenter, redigeringsintegrationer, funktionsanrop, verktygsutförande, MCP eller agent-till-agent-protokoll - Erfarenhet av retrieval-system, vektorsökning, kunskapsgrafer, temporala data, minnesarkitekturer eller kontexthantering - Erfarenhet av benchmark-sviter för kodning, resonemang, faktualitet, instruktionsföljning, verktygsanvändning eller flerstegs-agentarbetsflöden - Erfarenhet av lärare-elev-destillering, förstärkningsinlärning, preferensinlärning, belöningsmodellering eller automatiserad färdighetsgenerering - Kunskaper i TypeScript, Go, Rust eller ett annat systemspråk utöver Python - Erfarenhet av säker autentisering, sandboxing, integritetsbevarande telemetri, proveniens eller policybaserad exekvering - Erfarenhet av att bygga distribuerad databehandling, utvärdering, modellträning eller inferenssystem - En doktorsexamen i datavetenskap, maskininlärning, artificiell intelligens eller ett relaterat tekniskt område, eller motsvarande praktisk erfarenhet - En historik av inflytelserika publikationer, open-source-bidrag eller distribuerade AI-system - Erfarenhet av att bygga och leverera produkter eller forskningsprototyper i en dynamisk, startup-liknande miljö - Passion för att göra avancerade AI-system komponerbara, granskningsbara, användarkontrollerade och motståndskraftiga mot förändringar i modeller och plattformar - Utmärkt behärskning av engelska, med stark teknisk skrivförmåga, presentation och kommunikation - Kunskap om samtida mjukvarutekniska praxis, inklusive versionshantering, testning, kodgranskning och CI/CD