IMC zoekt een ML-engineer die gedistribueerde trainingspipelines of inference-pipelines met lage latency bouwt voor het quant research. Er zijn twee richtingen: ML Research Engineering en ML Performance Engineering.
Via het online formulier op de Greenhouse-pagina van IMC
Je automatiseert experimenten, hyperparameter-tuning en hertraining samen met quantitative researchers en HPC-specialisten. Of je optimaliseert training en inference op GPU's met versnellingsbibliotheken. Daarnaast verbeter je ML-frameworks en ontwerp je schaalbare modelinfrastructuur. Gevraagd zijn minstens 3 jaar ML-ervaring, Python in productie en diepe kennis van distributed training, GPU-performance of inference. PyTorch, JAX, CUDA en Triton worden als voorbeelden genoemd.
Je bouwt trainings- en inference-systemen voor grootschalige ML-modellen.
AI is het werk zelf.
Laat met een benchmark zien hoe je de latency van inference verlaagt, bijvoorbeeld door quantisatie of een Triton-kernel. Een AI-codeassistent helpt bij het opzetten van de experimenten, de profilering en de conclusies doe je zelf.
Suggestie door AI Een idee voor een aanpak, geen eis van de opdrachtgever.
Deze opdracht gaat over bouwen kunst maken onderzoeken lesgeven
Met een profiel op actiefai zie je in je portaal welke opdrachten bij jou passen, en reageer je op vragen van bedrijven die hier zelf iets uitzetten.
Deze pagina is met AI gemaakt op basis van de oorspronkelijke plaatsing bij IMC Careers (Greenhouse). Kijk daar voor de precieze voorwaarden. Klopt er iets niet, of wil je dat deze opdracht hier niet staat? Laat het ons weten, dan halen we hem weg.