Funciones:

• Definir y desarrollar nuestra infraestructura para permitir mejores capacidades de ML e IA, con un enfoque en sistemas basados ​​en LLM y agentes.
• Contribuya al desarrollo y la expansión de nuestro marco de inteligencia artificial agente impulsado por AWS Bedrock, habilitando tanto herramientas internas como funciones orientadas al cliente.
• Identificar, obtener y refinar conjuntos de datos para permitir el ajuste de modelos, potenciar los procesos de recuperación o ampliar los flujos de trabajo de los agentes.
• Preprocesar datos mediante técnicas como limpieza de datos, ingeniería de características y transformación.
• Entrene, evalúe e implemente sistemas basados ​​en LLM y modelos de aprendizaje automático tradicionales en producción.
• Supervisar, depurar y mejorar continuamente los modelos implementados y las herramientas de IA.
• Apoyar el uso del aprendizaje automático en toda la empresa, incluida la selección del enfoque de modelado adecuado para el caso de uso (LLM frente a ML tradicional).
• Apoyar la integración y el uso de LLM, incluidos enfoques como el ajuste fino, el ajuste rápido y la generación aumentada por recuperación (RAG), para mejorar la precisión.

Requisitos:

• Más de 5 años de experiencia como científico de datos o ingeniero de aprendizaje automático.
• Experiencia trabajando con LLM (por ejemplo, ingeniería rápida, ajuste fino, generación aumentada por recuperación).
• Experiencia trabajando con agentes para Amazon Bedrock o configuraciones de orquestación de agentes similares.
• Sólida comprensión de algoritmos de aprendizaje automático, métodos estadísticos y técnicas de preprocesamiento de datos.
• Experiencia con plataformas en la nube para entrenamiento e implementación de modelos, especialmente AWS.
• Competencia en Python, incluida experiencia con bibliotecas como Scikit-Learn, NumPy, Pandas y PyTorch/TensorFlow.
• Competencia en SQL y experiencia trabajando con almacenes de datos (por ejemplo, Snowflake, GCP).
• Conocimiento de las mejores prácticas de MLOps, incluidas las canalizaciones CI/CD, el monitoreo de modelos y el control de versiones (por ejemplo, MLflow, Airflow).
• Experiencia en la implementación de modelos en producción y su soporte posterior a la implementación.
• Fluidez en inglés.