Ingeniero de aprendizaje por refuerzo

Trabaje en flujos de trabajo de optimización de preferencias y aprendizaje por refuerzo para mejorar el comportamiento del modelo. La función se centra en el modelado de recompensas, canalizaciones de PPO o DPO, diagnósticos y ejecuciones de capacitación reproducibles.

- Experiencia práctica con aprendizaje por refuerzo, optimización de preferencias o flujos de trabajo estilo RLHF
- Fuertes habilidades en Python y marcos de aprendizaje profundo.
- Familiaridad con el modelado de recompensas, PPO, DPO, diagnóstico de capacitación o diseño de evaluación.
- Capacidad para razonar sobre la calidad de los datos, la deriva de políticas y la estabilidad de la capacitación.

- Crear y mantener flujos de trabajo de capacitación de RL o de optimización de preferencias.
- Monitorear los diagnósticos de entrenamiento e investigar la inestabilidad o regresiones.
- Trabajar con equipos de investigación e infraestructura en experimentos repetibles.
- Documentar los cambios de comportamiento del modelo y las implicaciones de la versión.

- Trabajar en flujos de trabajo de mejora de modelos aplicados con soporte de infraestructura.
- Colaborar con equipos de investigación, seguridad y plataformas de aprendizaje automático.
- Ayudar a establecer estándares para la calidad de los datos de preferencias y la confiabilidad de la capacitación.