Scientifique en IA/ML appliquée; Systèmes ML et LLM/Applied AI/ML Scientist; ML & LLM Systems Job Montréal area,Montreal Province de

Position: Scientifique en IA/ML appliquée (Systèmes ML et LLM) / Applied AI/ML Scientist (ML & LLM Systems)
Location: Montreal

(English version below)

Rejoignez une entreprise basée à Montréal qui aide les organisations du monde entier à créer un parcours personnalisé, enrichissant et épanouissant pour leurs employés. Explorance propose des solutions innovantes d'analyse de la rétroaction, car nous croyons que chaque expérience compte.

Nous recherchons un(e) scientifique spécialisé(e) en apprentissage automatique appliqué pour nous aider à concevoir, évaluer et déployer en production des systèmes d'apprentissage automatique et de modélisation de l'apprentissage (LLM) qui facilitent la prise de décision pour des millions d'utilisateurs dans le monde. Ce poste se situe à l'intersection de la recherche et du produit, et se concentre sur l'expérimentation, les cadres d'évaluation et les performances en situation réelle, et non pas uniquement sur la modélisation.

Description du Rôle:

Concevoir et exécuter des expériences pour évaluer les approches ML et LLM.

Définir des métriques, des ensembles de données et des critères d'acceptation pour les fonctionnalités proposées.

Analyser les erreurs, les cas limites et les compromis coût-qualité.

Collaborer avec les ingénieurs pour traduire les résultats en spécifications prêtes à être mises en œuvre.

Réviser la qualité des données, les stratégies d'étiquetage et les lacunes des ensembles de données.

Documenter les conclusions, les recommandations et les justifications des décisions.

Conseiller sur la pertinence des LLM, du ML traditionnel ou de solutions plus simples pour un problème donné.

Responsabilités Clés:

Concevoir et exécuter des expériences de recherche appliquée sur les systèmes ML, y compris:

Modèles ML traditionnels (par exemple, classification, scoring, classement) Approches basées sur LLM lorsque c'est approprié

Définir les méthodologies d'évaluation, les métriques, les ensembles de données et les critères d'acceptation pour les fonctionnalités basées sur ML

Évaluer les compromis entre performance du modèle, interprétabilité, coût et complexité opérationnelle

Analyser les erreurs, les cas limites et les entrées ambiguës ; proposer des stratégies de mitigation concrètes

Contribuer aux systèmes ML existants en soutenant:

La stratégie de données et les approches d'étiquetage L'entraînement, la validation et l'évaluation des modèles

Évaluer quand les LLM sont appropriés par rapport à quand les approches ML standard sont suffisantes

Produire des résultats de recherche clairs, y compris:

Conclusions et recommandations écrites

Spécifications prêtes pour la mise en œuvre pour les équipes d'ingénierie

Collaborer étroitement avec les ingénieurs en logiciels ML et le responsable de l'équipe de recherche appliquée pour assurer une transition fluide de la recherche à la production

Qualifications Requises:

Expérience solide en apprentissage automatique appliqué dans des environnements orientés production

Expérience pratique avec Python et PyTorch ou des cadres ML similaires

Expérience de la conception et de l'exécution d'expériences structurées ML et LLM (locales et tierces)

Capacité à définir et interpréter des métriques d'évaluation quantitatives

Compétences analytiques solides pour l'analyse des erreurs et la comparaison des modèles

Capacité à documenter clairement les résultats et les justifications des décisions

Expérience de travail avec à la fois des modèles ML traditionnels et des systèmes basés sur LLM

Familiarité avec des tâches de NLP telles que la classification, l'extraction ou le résumé

Expérience de travail avec des ensembles de données étiquetés et l'amélioration itérative des données

Familiarité avec les bases de données relationnelles (par exemple, Postgres, MSSQL) pour les données expérimentales

Préférences / Atouts:

Familiarité avec les tableaux de bord de surveillance ou d'évaluation (par exemple, Grafana)

Expérience de collaboration avec des équipes de plateforme ou d'infrastructure

Propriété & Impact:

Posséder les standards d'évaluation et les critères de qualité pour les systèmes ML

S'assurer que les approches ML sont validées avant l'investissement en production

Soutenir la cohérence et la réutilisation des capacités ML et LLM

Permettre l'adoption délibérée et fondée sur des preuves de…

Scientifique en IA​/ML appliquée; Systèmes ML et LLM​/Applied AI​/ML Scientist; ML & LLM Systems

Scientifique en IA/ML appliquée; Systèmes ML et LLM/Applied AI/ML Scientist; ML & LLM Systems