Senior Engineer ng Machine Learning - Ebalwasyon ng LLM / Paglikha ng Gawain (Batay sa India)

Pangkalahatang-ideya ng Tungkulin

Ang Mercor ay kumukuha para sa isang nangungunang AI research lab upang kumuha ng mga lubos na bihasang Machine Learning Engineer na may napatunayang karanasan sa pagbuo, pagsasanay, at pagtatasa ng mga high-performance na sistema ng ML sa totoong mundo. Sa papel na ito, ikaw ay magdidisenyo, magpapatupad, at mag-aalaga ng mataas na kalidad na mga dataset ng machine learning, mga gawain, at mga workflow ng ebalwasyon na nagpapagana sa pagsasanay at benchmarking ng mga advanced na sistema ng AI.

Ang posisyong ito ay perpekto para sa mga inhinyero na nagpakitang-gilas sa mga mapagkumpitensyang setting ng machine learning tulad ng Kaggle, nagtataglay ng malalim na intuwisyon sa pagmomodelo, at kayang isalin ang kumplikadong mga pahayag ng problema sa totoong mundo sa matatag, maayos na ML pipelines at dataset. Makikipagtulungan ka nang malapit sa mga mananaliksik at inhinyero upang bumuo ng makatotohanang mga problema sa ML, tiyakin ang kalidad ng dataset, at itulak ang mga reproducible, mataas na epekto na eksperimentasyon.

Ang mga kandidato ay dapat may 3–5+ taon ng karanasan sa applied ML o isang matibay na rekord sa competitive ML, at dapat nakabase sa India. Ang mga ideal na aplikante ay bihasa sa Python, may karanasan sa pagbuo ng mga reproducible na pipeline, at pamilyar sa mga benchmarking framework, scoring methodology, at pinakamahusay na kasanayan sa ebalwasyon ng ML.

Mga Responsibilidad

• Bumuo ng mga natatanging problema sa ML para sa pagpapahusay ng mga kakayahan ng ML ng mga LLM.
• Magdisenyo, bumuo, at mag-optimize ng mga modelo ng machine learning para sa klasipikasyon, prediksyon, NLP, rekomendasyon, o mga generative na gawain.
• Magpatakbo ng mabilis na siklo ng eksperimentasyon, suriin ang pagganap ng modelo, at patuloy na umulit.
• Magsagawa ng advanced na feature engineering at data preprocessing.
• Magpatupad ng adversarial testing, pagsusuri sa katatagan ng modelo, at mga ebalwasyon ng bias.
• I-fine-tune, suriin, at i-deploy ang mga modelong batay sa transformer kung kinakailangan.
• Panatilihin ang malinaw na dokumentasyon ng mga dataset, eksperimento, at desisyon ng modelo.
• Manatiling updated sa pinakabagong pananaliksik, tool, at teknik sa ML upang isulong ang mga kakayahan sa pagmomodelo.

Mga Kinakailangang Kwalipikasyon

• Hindi bababa sa 3–5 taon ng full-time na karanasan sa pagbuo ng modelo ng machine learning
• Teknikal na degree sa Computer Science, Electrical Engineering, Statistics, Mathematics, o isang kaugnay na larangan
• Naipakita ang karanasan sa competitive machine learning (Kaggle, DrivenData, o katumbas)
• Katibayan ng top-tier na pagganap sa mga kompetisyon ng ML (mga medalya sa Kaggle, finalist placements, leaderboard rankings)
• Malakas na kasanayan sa Python, PyTorch/TensorFlow, at modernong ML/NLP frameworks
• Matibay na pag-unawa sa mga pundasyon ng ML: istatistika, optimisasyon, ebalwasyon ng modelo, arkitektura
• Karanasan sa distributed training, ML pipelines, at experiment tracking
• Malakas na kasanayan sa paglutas ng problema at algorithmic thinking
• Karanasan sa pagtatrabaho sa mga cloud environment (AWS/GCP/Azure)
• Pambihirang analitikal, komunikasyon, at interpersonal na kasanayan
• Kakayahang malinaw na ipaliwanag ang mga desisyon sa pagmomodelo, mga tradeoff, at mga resulta ng ebalwasyon
• Mahusay sa Ingles

Mas Gusto / Magandang Magkaroon

• Kaggle Grandmaster, Master, o maraming Gold Medals
• Karanasan sa paglikha ng mga benchmark, ebalwasyon, o mga problema sa hamon ng ML
• Background sa mga generative model, LLM, o multimodal learning
• Karanasan sa large-scale distributed training
• Nakaraang karanasan sa pananaliksik sa AI, mga platform ng ML, o mga pangkat ng imprastraktura
• Mga kontribusyon sa mga teknikal na blog, open-source na proyekto, o mga publikasyon ng pananaliksik
• Nakaraang karanasan sa mentorship o teknikal na pamumuno
• Nailathalang research papers (kumperensya o journal)
• Karanasan sa LLM fine-tuning, vector databases, o generative AI workflows
• Pamilyar sa mga tool ng MLOps: Weights & Biases, MLflow, Airflow, Docker, atbp.
• Karanasan sa pag-optimize ng performance ng inference at pag-deploy ng mga modelo sa malaking sukat

Bakit Sumali

• Makakuha ng exposure sa cutting-edge na AI research workflows, nakikipagtulungan nang malapit sa mga data scientist, ML engineer, at research leader na humuhubog sa mga susunod na henerasyon ng AI system.
• Magtrabaho sa mga high-impact na hamon sa machine learning habang nag-eeksperimento sa mga advanced na diskarte sa pagmomodelo, bagong analytical methods, at competition-grade validation techniques.
• Makipagtulungan sa mga world-class na AI lab at teknikal na pangkat na nagpapatakbo sa hangganan ng forecasting, eksperimentasyon, tabular ML, at multimodal analytics.
• Flexible na opsyon sa engagement (30–40 oras/linggo o full-time) — perpekto para sa mga ML engineer na sabik na maglapat ng Kaggle-level na paglutas ng problema sa totoong mundo, production-grade na AI system.
• Ganap na remote at globally flexible — na-optimize para sa malalim na teknikal na trabaho, async collaboration, at high-output na kapaligiran ng pananaliksik.