Machine Learning Engineer, API Multicloud

О позиции

Команда API Multicloud отвечает за расширение платформы API OpenAI в стратегических облачных средах, начиная с AWS. Миссия — распространение API компании безопасно и широко через интеграцию ключевых технологий ML в нативные облачные среды. Роль находится на пересечении production ML-систем, платформ разработки, поведения моделей и крупномасштабной инфраструктуры. Вы будете работать между потребностями партнёров и ядром ML-систем, помогая командам понимать эффективность моделей и превращать инсайты в улучшения платформы.

Условия

• Работа с передовыми ML-технологиями и архитектурами будущего
• Возможность влиять на масштабируемую платформу, которую используют миллионы пользователей
• Команда уровня world-class: исследователи, инженеры и учёные из ведущих технологических компаний
• Инвестиции в развитие и обучение сотрудников, доступ к state-of-the-art инструментам и инфраструктуре
• Конкурентоспособный пакет компенсации и benefits, соответствующий рынку San Francisco
• Гибкая рабочая среда с focus на результат и высокую автономию
• Возможность работать над технологиями, которые меняют будущее humanity

Навыки

• PyTorch
• TensorFlow
• AWS
• Kubernetes
• Python
• Rust
• Machine Learning
• Deep Learning
• Transformers
• Large Language Models
• Fine-Tuning
• Supervised Learning
• Reinforcement Learning
• Data Pipelines
• Distributed Systems
• API Development
• Model Evaluation
• Post-Training Optimization
• Cloud Infrastructure
• Agentic Workloads

Могут спросить на собеседовании

1. Расскажите о вашем опыте построения production ML-систем для fine-tuning или post-training больших моделей. С какими вызовами вы сталкивались?
2. Как вы подходите к диагностике и исправлению проблем с поведением моделей, когда они ведут себя не так, как ожидается? Приведите пример.
3. Опишите ваш опыт интеграции ML-компонентов в облачную API-инфраструктуру (например, AWS). Какие trade-offs вы рассматривали?
4. Как вы балансируете между исследованием новых методов (например, RLHF, distillation) и стабильностью production систем?
5. Приведите пример, когда вы сотрудничали с non-engineering teams (Research, Safety, Product) для решения ML-проблемы. Как вы достигали alignment?