Programvarutekniker

Om rollen Du kommer att befinna dig i skärningspunkten mellan Poolsides forsknings-, infrastruktur- och produktteam och fungera som den bindväv som för in agenter i varje hörn av Model Factory. Agentupplevelseteamet äger harness, färdigheter och verktyg bakom autonom forskning och den dagliga upplevelsen för forskarna som driver den. Under en given vecka kan du leverera en agent som kör sina egna ablationer från början till slut, bygga distributionslagret som gör att en färdighet skriven av en forskare landar i allas arbetsflöde samma dag, eller instrumentera banor så att vi faktiskt kan se var agenter gör nytta. Om du vill äga ytan som varje forskare rör vid, arbeta sida vid sida med människorna som bygger frontier-modeller och hjälpa till att forma hur agentisk forskning ser ut härnäst, är detta rollen för dig. Ditt uppdrag Att etablera, förbättra och accelerera självförbättrande loopar av den agentiska bindväven över alla teknik- och forskningsteam på Poolside. Ansvarsområden - Samarbeta nära med forskare (pre- och post-träning), eval-team, infrastrukturteam och experimentplattformsingenjörer för att översätta forskningsarbetsflöden till självförbättrande agentiska flöden. - Designa och bygga robusta backend-tjänster främst med Python och Go för att driva våra agenter. - Driva införandet av agent-native forskningsarbetsflöden. - Bygga utvärderingar och dataset relevanta för att mäta självförbättringsförmågan hos våra egna modeller och driva den inre svänghjulet i modellfabriken. - Integrera med befintlig forskningsinfrastruktur och bygga instrumentpaneler för att spåra införande och användningsmetrik. - Arbeta nära med vårt agent harness- och runtime-team för att definiera färdplanen Färdigheter & erfarenhet - Starka ingenjörsmässiga grunder inom backend-arkitektur, API- och databasdesign samt operativ excellens. - Påvisad förmåga att leda tvetydiga, tvärfunktionella initiativ och samordna intressenter kring en gemensam teknisk vision. - Bevisad erfarenhet av att bygga agentiska system, färdigheter, självförbättrande loopar eller erfarenhet av icke-trivial harness-teknik. - Meriterande: Förståelse för ML-forskningsflöden, inklusive experiment, utvärderingar, träningskörningar, checkpoints, konfigurationer, dataset och forskningsiterationscykler. - Meriterande: Erfarenhet av system som används vid modellträning som W&B, Neptune, Dagster