Brasilien
Pentera
Turing
Research Engineer, Frontier Data
Brasilien
São Paulo, São Paulo, Brazil
PythonJavaSQLC++RustGo
Automatische Übersetzung. Prüfe das Original.
ÜBER TURING
Turings Mission ist es, Superintelligenz zu beschleunigen, um echten wirtschaftlichen Fortschritt voranzutreiben. Mit Hauptsitz in San Francisco arbeitet Turing mit führenden KI-Laboren zusammen, um qualitativ hochwertige Datensätze, Reinforcement Learning-Umgebungen und wegweisende Forschungsbenchmarks zu erstellen, die die Fähigkeiten von Modellen in den Bereichen Softwareentwicklung, unternehmensweite Wissensarbeit und fortgeschrittene MINT-Argumentation verbessern. In der Softwareentwicklung ist Turing der größte und am längsten etablierte Datenanbieter in dieser Kategorie. Turing arbeitet auch mit Fortune 500-Unternehmen aus den Bereichen Finanzdienstleistungen, Biowissenschaften, Gesundheitswesen, Einzelhandel, Automobil und Konsumgüter zusammen, um End-to-End-Agenten-KI-Systeme für geschäftskritische Arbeitsabläufe zu entwickeln und bereitzustellen. Durch die Tätigkeit auf beiden Seiten schließt Turing die Lücke zwischen Spitzenforschung und Unternehmenseinsatz und wandelt reale Einsatzsignale in bessere Daten, Auswertungen und leistungsfähigere Modelle um. Erfahren Sie mehr unter turing.com turing.com/.
WERTE
*Diese Stelle ist remote und kann überall in Brasilien/Kolumbien ausgeübt werden*
- Wir sind kundenorientiert: Wir stellen unsere Kunden in den Mittelpunkt unseres Handelns, denn ihr Erfolg ist das ultimative Maß für unseren Wert.
- Wir arbeiten mit Start-up-Geschwindigkeit: Wir bewegen uns schnell, bleiben agil und bevorzugen Handeln, denn Dynamik ist die Grundlage der Perfektion.
- Wir sind KI-orientiert: Wir helfen unseren Kunden, die Zukunft der KI aufzubauen und implementieren sie in unseren eigenen Rollen und Arbeitsabläufen, um die Produktivität zu steigern.
Turing ist stolz darauf, ein Arbeitgeber zu sein, der Chancengleichheit fördert. Wir diskriminieren nicht aufgrund von Rasse, Religion, Hautfarbe, nationaler Herkunft, Geschlecht, Geschlechtsidentität, sexueller Orientierung, Alter, Familienstand, Behinderung, Status als geschützter Veteran oder anderen gesetzlich geschützten Merkmalen. Bei Turing widmen wir uns dem Aufbau eines vielfältigen, integrativen und authentischen Arbeitsplatzes und feiern Authentizität. Wenn Sie sich für diese Rolle begeistern, Ihre bisherige Erfahrung aber nicht perfekt mit jeder Qualifikation in der Stellenbeschreibung übereinstimmt, ermutigen wir Sie, sich trotzdem zu bewerben. Sie könnten genau der richtige Kandidat für diese oder andere Rollen sein.
Für Bewerber aus der Europäischen Union beachten Sie bitte die DSGVO-Hinweise von Turing hier turing.com/policy.
DIE ROLLE
Wir suchen einen Research Engineer, der uns bei der Bereitstellung von Datensätzen, RL-Umgebungen und Auswertungen auf dem neuesten Stand der Technik für einen Kunden aus einem führenden KI-Labor unterstützt. Sie arbeiten direkt mit den Forschern und Ingenieuren des Kunden zusammen und wandeln eingehende Anfragen und Ziele nach dem Training in konkrete technische Vorschläge und Daten-/Umweltspezifikationen um. Anschließend sind Sie für die technische Ausführung verantwortlich: Aufbau von Qualitäts- und Verifizierungssystemen, die sicherstellen, dass das von uns gelieferte Material extrem hohe Standards in Bezug auf Korrektheit, Realismus, Vielfalt, Schwierigkeit und messbaren Modell-Lift erfüllt.
Die meiste dieser Arbeit ist maßgeschneidert und speziell auf die sich entwickelnden Bedürfnisse eines einzelnen Kunden zugeschnitten. Sie werden in der Regel einem einzigen führenden KI-Labor-Kunden zugeordnet, um einen echten Kontext und eine Arbeitsbeziehung mit dessen Team aufzubauen, mit der Flexibilität, bei Bedarf auch andere Konten zu unterstützen. Da maßgeschneiderte Arbeit sowohl nach Durchlaufzeit als auch nach Qualität beurteilt wird, sind beide hier gleichermaßen wichtig.
Diese Rolle ist für Kandidaten mit Erfahrung im Aufbau und der Verbesserung von deep learning-Systemen konzipiert, insbesondere dort, wo starke Ergebnisse von Datenqualität, Datenkuratierung, Denoising, Generierung synthetischer Daten und rigoroser Evaluierung abhängen. Sie werden in einem oder mehreren der folgenden Kompetenzbereiche tätig sein:
- Coding- und Softwareentwicklungsagenten (Repositories, Unit-Tests, Debugging, Tool-Nutzung, Code-Reviews, Langstrecken-Workflows)
- RL-Umgebungen und verifiziererbasierte Schulungen (Aufgaben, Belohnungen/Verifizierer, Trajektorien, Evaluations-Harnesses)
- Multimodale Daten und Schlussfolgerungen (Text + Bilder + Dokumente + Tabellen/Diagramme; optional Audio/Video)
- MINT-Argumentation (Mathematik, Physik, Chemie, Biologie, Ingenieurwesen – Lösungsüberprüfung und Fehleranalyse)
- Moderne Embodied AI / VLM-gesteuerte Agenten (Vision-Sprache(-Aktion)-Modelle, Embodied Task Suites, Tool-/Sensor-/Aktionsabstraktionen, Interaktionsdaten über lange Distanzen)
WAS SIE TUN WERDEN
1) DATEN- UND UMWELTQUALITÄT AUS DER SICHT EINES KI-FORSCHERS VERANTWORTEN
- Auf eingehende Anfragen des Kunden reagieren und mehrdeutige, sich entwickelnde Forschungsziele in einen technischen Vorschlag und klare Datenanforderungen übersetzen: Zielkompetenzen, Fehlermodi, Kalibrierung der Schwierigkeit, Abdeckung und Erfolgsmetriken.
- Die technische Machbarkeitsbewertung, Annahmen, Abnahmekriterien und Auswertungsanforderungen bereitstellen, die zur Festlegung des Vertrags oder der Leistungsbeschreibung erforderlich sind.
- Definieren, was „gut“ bedeutet, durch Erstellung detaillierter Bewertungsmaßstäbe, Gegenbeispiele und Grenzfälle (was einzuschließen und was auszuschließen ist).
- Tiefgehende, detailorientierte Audits der produzierten Daten durchführen: subtile Fehler, Möglichkeiten für Reward Hacking, Leckagen, Mehrdeutigkeiten, inkonsistente Annahmen und Verteilungsverschiebungen erkennen.
- Iterative Verbesserungen auf Basis von Beweisen vorantreiben: Fehler gruppieren (z. B. nach semantischer Ähnlichkeit), um die zugrunde liegende Lücke zu finden, und diese dann in konkrete Anweisungen für das Produktionsteam umwandeln – bessere Few-Shot-Beispiele, explizite Gegenbeispiele, klarere Anleitungen, was Ablehnungen verursacht.
2) DATENSÄTZE UND RL-UMGEBUNGEN FÜR IHRE KOMPETENZBEREICH(E) ENTWICKELN UND ERSTELLEN
Zum Design beitragen oder die Leitung übernehmen von:
- Aufgabensuiten (einzelne Schritte und Langstrecken-Workflows)
- Ground-Truth-Signale (Verifizierer, Unit-Tests, strukturierte Prüfungen, Belohnungsfunktionen, automatische Validatoren)
- Schnittstellen der Umgebung (APIs, Tool-Schemata, Zustandsabstraktionen, Datenbankschemata, simulatorähnliche Dynamiken)
Abhängig von Ihrem/Ihren zugeordneten Kompetenzbereich(en) können Sie sich konzentrieren auf:
- Coding / SWE-Agenten: Daten, die reale Entwicklungsarbeit widerspiegeln (Codebasisnavigation, Fehlerlokalisierung, Patches, Tests, Code-Reviews, CI-ähnliche Einschränkungen, Refactorings, Sicherheitsfixes).
- Multimodalität: Aufgaben, die echtes multimodales Schlussfolgern testen (Diagrammlesen, Dokumenten-QA, UI-Verständnis, Diagramm-basierte MINT-Argumentation, OCR-bewusste Aufgaben).
- MINT: Aufgaben mit überprüfbaren Lösungen (symbolische Prüfungen, Referenzlöser, numerische Validierung, Schrittkonsistenz, Einheits-Plausibilitätsprüfung).
- Moderne Embodied AI / VLM-gesteuerte Agenten: Interaktionsdaten und Umgebungen für Vision-Sprache(-Aktion)-Modelle.
3) ROBUSTE VALIDIERUNGS-, DENOISING- UND SYNTHETISCHE DATENSYSTEME ERSTELLEN
- Projektspezifische Verifizierungssysteme erstellen, die deterministische Prüfungen, modellbasierte Evaluatoren, die gegen Gold-Sets kalibriert sind, und gezielte menschliche Überprüfung kombinieren.
- Automatisierte Validierungs- und Filterungsprozesse implementieren, um ein Signal-Rausch-Verhältnis auf dem neuesten Stand der Technik zu erreichen: Deduplizierung, Dekontamination, Leckage-Prüfungen, Konsistenzprüfungen, Schwierigkeits- und Diversitätskontrollen.
- Pipelines zur Generierung und Augmentierung synthetischer Daten entwickeln, wo dies angebracht ist: programmatische Aufgabengeneratoren, kontrollierte Perturbationen, Szenario-Templating, simulator-/toolgesteuerte Rollouts.
- Dokumentation und Datenkarten erstellen: Absicht des Datensatzes, bekannte Einschränkungen, empfohlene Verwendung und Verknüpfung mit der Evaluierung.
4) AUSWERTUNGEN UND TRAININGSLAUFZEITEN NUTZEN, UM AUSWIRKUNGEN NACHZUWEISEN
- Auswertungen entwerfen und durchführen, die die beabsichtigte Nutzung des Kunden widerspiegeln.
- Analysen erstellen, die Daten mit Ergebnissen verbinden: Vorher/Nachher-Vergleiche, Fehleraufschlüsselungen, Ablationen, die identifizieren, welche Datenattribute den Anstieg bewirken.
- Bei Bedarf In-House-Fine-Tuning- oder RL-ähnliche Experimente durchführen (oder mit der Forschung zusammenarbeiten), um zu demonstrieren, dass die Daten/Umgebung das Modellverhalten auf messbare Weise verbessert.
5) EFFEKTIV MIT GROSSEN PRODUKTIONSTEAMS KOOPERIEREN, OHNE OPERATIV ZU BELASTEND ZU SEIN
- Technische Anweisungen für das verteilte Expertennetzwerk geben, das die Daten produziert, indem klare Spezifikationen, Beispiele, Randfälle und schnelle Feedbackschleifen basierend auf Audits und quantitativen Signalen bereitgestellt werden.
- Sie sind verantwortlich für die technische Übersetzung, Abnahmekriterien, das Design von Evaluatoren und Verifizierern, die Qualitätsdiagnose und die technische Freigabeempfehlung. Der Strategic Project Lead ist verantwortlich für die Produktionsausführung, Personalbesetzung, den Durchsatz, die Projektkosten und die Wiederherstellung.
- Es wird erwartet, dass Sie sich aktiv an der Überprüfung und Verbesserung von Ergebnissen aus großen Annotations-/Erstellungsbemühungen beteiligen, aber nicht primär für die Einstellung, Personalbesetzung oder Personalverwaltung verantwortlich sind – das liegt beim SPL.
- Direkte Kommunikation mit dem Kunden über technische Erkenntnisse, Qualitätsrisiken und Wiederherstellungsoptionen. Änderungen am Umfang, Zeitplan oder externe Verpflichtungen mit den Account- und Delivery-Ownern abstimmen.
WIR SUCHEN
- 4–5 Jahre Erfahrung im Aufbau oder der Verbesserung von deep learning-Systemen, bei denen die Datenqualität materiell wichtig war (Training, Post-Training, Auswertungen oder Agenten-Systeme).
- Starke Intuition für die „Daten-Zutaten“, die Modellverbesserungen vorantreiben: was gesammelt, was gefiltert, was synthetisiert und wie gemessen werden soll.
- Fähigkeit zur klaren Kommunikation mit Forschern und Ingenieuren: Umwandlung von Forschungszielen in konkrete Spezifikationen und von unübersichtlichen Ergebnissen in umsetzbare Erkenntnisse.
- Komfort, der direkte technische Ansprechpartner für einen Kunden zu sein, einschließlich der Erklärung von Rückschlägen oder Kompromissen, wenn die Dinge nicht wie geplant laufen.
- Nachgewiesene Fähigkeit, bei der Diagnose subtiler Datenqualitätsprobleme und Fehlermodi äußerst detailorientiert zu sein.
- Solide Programmierkenntnisse mit Fokus auf Auslieferung: Python-Kenntnisse erforderlich; Vertrautheit mit SQL/strukturierten Daten-Workflows stark bevorzugt; für Coding-fokussierte Arbeit sind Kenntnisse in einer wichtigen Sprache (z. B. C++, Java, Go, Rust, JS/TS) ein Plus.
- Komfort beim Entwurf von Qualitätssystemen: Bewertungsmaßstäbe, Validierungsskripte, Gold-Sets, Stichprobenstrategien, statistische Prüfungen, Slice-basierte Auswertung, Human-in-the-Loop-Überprüfungsschleifen, die auf messbaren Kriterien basieren.
- Direkte Erfahrung mit einem führenden KI-Labor ist nicht erforderlich und im LATAM-Markt ungewöhnlich – am wichtigsten sind praktische technische Tiefe und die Fähigkeit, mit Ambiguität umzugehen.
Starke Pluspunkte
- RL- oder Post-Training-Erfahrung (beliebig: RLHF/RLAIF, Verifizierer-Training, Reward Modeling, RL-Fine-Tuning, Umgebungsdesign).
- Erfahrung mit Agenten-Evaluierung (Tool-Nutzung, Multi-Step-Workflows, Langstrecken-Aufgaben, Trajektorienanalyse).
- Multimodale Expertise (Dokumentenverständnis, Diagramme, Grafiken, OCR, UI/Vision-Grounding; Audio/Video optional).
- MINT-Tiefe (Mathematik/Physik/Ingenieurwesen) mit Fokus auf Überprüfbarkeit und rigorose Korrektheit.
- Moderne Embodied AI / VLM-gesteuerte Agenten-Erfahrung (Vision-Sprache(-Aktion)-Modelle, Interaktionsdatensätze, Embodied Evals, Langstrecken-Grounding, Tool-/Sensor-/Aktionsschnittstellen).
- Systemdenken: Fähigkeit, das API/Datenschema einer Anwendung zu „simulieren“ und Aufgaben zu entwerfen, die reale Einschränkungen und Arbeitsabläufe realistisch widerspiegeln.
WARUM TURING
- Arbeiten Sie direkt mit einem führenden KI-Labor zusammen, an der Spitze des Designs von Post-Training- und RL-Umgebungen, eingebettet in eine echte Forschungsbeziehung anstelle einer rotierenden Reihe anonymer Aufgaben.
- Reale Auswirkungen (Weg zur AGI): Ihre Datensätze und Umgebungen werden die Entwicklung hin zu Künstlicher Allgemeiner Intelligenz und letztendlich zu Superintelligenz direkt beeinflussen.
- Hohe Autonomie und schnelle Iteration, wobei ein Strategic Project Lead Skalierung und Ressourcenverwaltung übernimmt, damit Sie sich auf den technischen Ansatz und die Qualitätsstandards konzentrieren können.
- Talentdichtes Team, in dem Sie schnelle Iterationen und eine außergewöhnliche Lernkurve finden.
VORTEILE EINER MITARBEIT BEI TURING
- Arbeiten Sie an der Spitze der KI und helfen Sie den weltweit führenden KI-Laboren, ihre fortschrittlichsten Modelle zu verbessern, indem Sie Experten-Datensätze, RL-Umgebungen und erstmalige Benchmarks erstellen.
- Tragen Sie zu Spitzenforschung im Bereich KI bei und präsentieren Sie Ihre Arbeit auf Top-Konferenzen wie ICLR, ICML und NeurIPS.
- Bringen Sie Spitzeninnovationen im Bereich KI in Unternehmen ein und wenden Sie die Erkenntnisse aus führenden KI-Laboren an, um reale Geschäftsprobleme zu lösen.
- Arbeiten Sie mit und lernen Sie von außergewöhnlichen Kollegen mit tiefgreifender KI-Erfahrung von Google, Meta, Amazon und anderen führenden Technologieunternehmen.
- Bewegen Sie sich im Tempo der KI-Innovation, mit der Geschwindigkeit, Eigenverantwortung und Wirkung eines Start-ups.
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