Auf einen Blick
Member of Technical Staff für Applied ML bei Cohere in San Francisco. Vertiefte Arbeit mit Enterprise-Kunden an benutzerdefinierten LLM-Lösungen mit direktem Einfluss auf Foundation Models.
💰 ~$180.000–250.000/Jahr (geschätzt)
📊 Senior
🕒 Vollzeit
🌍 Remote
🗺️ Americas
- Starke ML-Fundamentals und Problemformulierungsfähigkeit
- Python und ML/LLM-Frameworks Expertise
- Erfahrung mit großen Datensätzen und verteiltem Training
- Technische Führungserfahrung auf Team-Ebene
python
ml
llm
deep-learning
data-science
distributed-systems
ai
Gehalt geschätzt anhand Senior/Staff-Rolle in AI bei Cohere, San Francisco, Tech-Markt-Standard. Kein Gehalt in der Anzeige angegeben.
✅ Geeignet für
- Erfahrene ML Engineers mit LLM-Erfahrung
- Kandidaten mit Team-Leadership-Erfahrung
- Technische Tiefspezialist:innen in AI/ML
🚫 Weniger geeignet
- Frühe Karriere-Professionals ohne ML-Erfahrung
- Kandidaten ohne LLM-Kenntnisse
💡 Gut zu wissen
- Keine typische Applied Scientist/MLE-Rolle
- Kombination aus Application, Research und Customer-facing Engineering
- Höchste technische Standards erforderlich
Über das Unternehmen
Cohere ist ein führendes AI-Unternehmen, das an der Grenze der Large Language Models arbeitet. Missionsziel ist die Skalierung von Intelligenz für die Menschheit.
Deine Aufgaben
- Direkte Zusammenarbeit mit Enterprise-Kunden an Problemen, die LLMs an ihre Grenzen treiben
- Rapid Prototyping und Design von benutzerdefinierten LLM-Lösungen
- Training und Customization von Frontier-Modellen
- Einsatz von Cohere's gesamtem Stack: CPT, Post-Training, Retrieval und Agent Integrationen
- Einflussnahme auf Capabilities von Cohere's Foundation Models
- Mentoring von Ingenieuren über verteilte Teams
Deine Voraussetzungen
- Starke ML-Fundamentals und Fähigkeit, komplexe Probleme als ML-Lösungen zu formulieren
- Fließende Kenntnisse in Python und ML/LLM-Frameworks
- Erfahrung mit großen Datensätzen und verteilten Training/Inference Pipelines
- Verständnis von LLM-Architekturen und Tuning-Techniken
- Nachgewiesene Fähigkeit, LLM-Performance bedeutsam zu beeinflussen
- Erfahrung in technischer Führung auf Team-Ebene
