Deutschland
askui GmbH
EnCharge AI
Research Engineer, KI-Modelle
Deutschland
Germany
PythonGo
Automatische Übersetzung. Prüfe das Original.
Über die Stelle
Research Engineer, Angewandte KI
Die Gelegenheit
Moderne KI-Workloads – von großen Sprachmodellen über Diffusionsmodelle bis hin zu multimodalen Systemen – stellen einige der rechenintensivsten Grenzen der KI dar und bieten einige der vielversprechendsten Anwendungen für die Energieeffizienzvorteile unserer Hardware. Wir bauen einen vertikal integrierten KI-Stack, der das transformative Potenzial unseres Siliziums demonstriert und gleichzeitig den Kunden heute einen echten Mehrwert bietet.
Wir suchen einen Research Engineer, der die Grenzen von KI-Modellfähigkeiten, -qualität und -effizienz verschiebt. Sie werden Fine-Tuning- und Post-Training-Pipelines erstellen, strenge Benchmarking-Frameworks entwickeln und an der Schnittstelle von ML-Forschung und Hardware-optimierter Optimierung arbeiten – um sicherzustellen, dass unsere Modelle auf unserem Silizium hervorragend laufen.
Dies ist eine Rolle für jemanden, der an der Grenze zwischen Forschung und Engineering erfolgreich ist. Sie werden Paper lesen, Techniken implementieren und produktionsreifen Code ausliefern – alles im Dienste dessen, KI-Inferenz schneller, günstiger und besser zu machen.
Standort: Deutschland
Die Gehaltsspanne für diese Position beträgt €116,000 bis €154,000 EUR pro Jahr. Die tatsächliche Vergütung wird auf der Grundlage von berufsbezogenem Wissen, Fähigkeiten und Erfahrung festgelegt.
Über EnCharge AI
EnCharge AI entwickelt die nächste Generation der KI-Plattform. Unsere neuartige In-Memory-Computing-Architektur liefert eine 10-fache Verbesserung der Energieeffizienz und Leistung für KI-Inferenz-Workloads. Da die Anforderungen der künstlichen Intelligenz über die heutigen Modelle hinausgehen, glauben wir, dass die zugrunde liegende Infrastruktur weiterentwickelt werden muss. Wir sind ein erfahrenes Team von KI-Forschern, Silizium- und Systemingenieuren sowie Architekten, unterstützt von führenden Investoren, und bereit, die wesentliche Plattform für die nächste Welle der KI-Innovation zu werden.
Hauptverantwortlichkeiten
- Algorithmische Beschleunigung: Erforschung und Implementierung modernster Techniken zur Beschleunigung von KI-Inferenz – Quantisierung, Sparsity, Destillation, spekulative Dekodierung, Caching-Strategien und architektonische Modifikationen. Systematische Charakterisierung von Kompromissen zwischen Modellqualität, Latenz, Durchsatz und Stromverbrauch, um optimale Betriebspunkte für verschiedene Anwendungsfälle zu finden.
- Hardware Co-Design: Enge Zusammenarbeit mit den Hardware-, Compiler- und Quantisierungsteams, um sicherzustellen, dass algorithmische Verbesserungen zu realen Gewinnen auf unserem Silizium führen. Identifizierung von Optimierungen, die auf die Stärken unserer Architektur abgestimmt sind – Maximierung des Durchsatzes bei gleichzeitiger Minimierung des Stromverbrauchs. Gestaltung der Feedbackschleife zwischen Modellentwicklung und Hardware.
- Evaluierung: Erstellung von Profiling-Tools und umfassenden Benchmarking-Frameworks, um Compute-Engpässe zu verstehen, die Modellqualität über Standard- und domänenspezifische Auswertungen zu messen und Effizienzmetriken zu verfolgen.
- Angewandte Forschung: Erstellung robuster Fine-Tuning-Workflows für moderne KI-Modelle, die schnelle Experimente mit LoRA, Adaptern und vollständigem Fine-Tuning ermöglichen. Bleiben Sie auf dem Laufenden über die sich schnell entwickelnde Landschaft – bewerten Sie neue Architekturen, implementieren Sie vielversprechende Techniken und liefern Sie Erkenntnisse, die die technische und Go-to-Market-Strategie informieren.
Qualifikationen
- 5+ Jahre Erfahrung in ML-Forschung, angewandter ML oder ML-Systemen
- Starke Grundlagen in Python und PyTorch
- Praktische Erfahrung mit Transformatoren, Diffusionsmodellen, State-Space-Modellen usw.
- Erfahrung im Fine-Tuning großer Modelle und im Aufbau von Trainings-/Evaluierungspipelines
- Tiefes Verständnis von Transformatoren, Aufmerksamkeitsmechanismen und Optimierungstechniken
- Komfort beim Lesen und Implementieren von Techniken aus Forschungsarbeiten
Wünschenswert
- Erfahrung mit effizienten Inferenztechniken (KV-Cache-Optimierung, Aufmerksamkeitsvarianten, MoE-Routing, Flow Matching)
- Hintergrund in hardware-bewusster ML-Optimierung oder Quantisierung
- Vertrautheit mit Profiling-Tools (PyTorch Profiler, Nsight, benutzerdefinierte Instrumentierung)
- Publikationen in den Bereichen generative Modellierung, effiziente Inferenz oder ML-Systeme
- Beiträge zu Open-Source-ML-Projekten
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen