Auf einen Blick
Post-Training Engineer (Applied) bei Liquid AI: Adaptiere Foundation Models für Enterprise Text Use Cases. Technical Owner von Data bis Deployment mit messbaren Outcomes.
💰 $140.000–200.000/Jahr
📊 Senior
🕒 Vollzeit
🌍 Remote
🗺️ Americas
- Praktische LLM Post-Training Erfahrung
- SFT/Instruction Tuning/RLHF/DPO Erfahrung
- Text Data Quality und Evaluation Design
- Hugging Face + PyTorch Proficiency
machine-learning
python
pytorch
data-curation
rlhf
✅ Geeignet für
- ML Engineers mit LLM Post-Training Erfahrung
- Leute, die Applied ML Delivery mit Customers tun
- Engineers mit Text Data Quality Obsession
🚫 Weniger geeignet
- Pure Research Engineers (no Customer Delivery)
- Leute ohne praktische Post-Training Erfahrung
- Leute, die nur generalized ML wollen
💡 Gut zu wissen
- Applied bedeutet: Real Customer Impact über Publications
- Data Quality und Evaluation Design sind Kern
- Workflows bauen, die Scale, ist wichtig
Über das Unternehmen
Liquid AI, ausgegründet aus MIT CSAIL, baut effiziente AI-Systeme für verschiedene Deployment-Ziele. Das Unternehmen arbeitet mit Enterprises über mehrere vertikale Märkte hinweg zusammen und skaliert schnell.
Deine Aufgaben
- Technical Owner für Enterprise Customer Post-Training Engagements mit Text Workloads
- Customer Requirements in konkrete Post-Training Specifications und Workflows übersetzen
- Datengenerierung, Filterung und Quality Assessment für Text Corpora designen und ausführen
- Supervised Fine-Tuning, Instruction Tuning, RLHF, DPO und andere Preference Alignment Workflows ausführen
- Task-spezifische Evaluationen für Text Model Performance designen und Resultate interpretieren
- Reusable Applied Tooling bauen, das zukünftige Customer Engagements beschleunigt
Deine Voraussetzungen
- Praktische Erfahrung mit Data Generation und Evaluation für LLM Post-Training
- Erfahrung mit SFT, Instruction Tuning, RLHF, DPO oder ähnlichen Preference Alignment Methoden
- Starke Intuition für Text Data Quality und Evaluation Design
- Erfahrung mit Text-Spezifischen Post-Training Workflows: Chat Model Alignment, Instruction Tuning, Text Data Curation
- Proficiency mit Open-Source ML Ecosystem (Hugging Face, PyTorch)
- Nice-to-Have: Applied ML Delivery zu Kunden mit messbaren Outcomes
