強化学習エンジニア
£126,000–£210,000/年 (£10,500–£17,500/月) — 応相談
職務内容
モデルの動作を改善するための強化学習と好みの最適化のワークフローに取り組みます。この役割は、報酬モデリング、PPO または DPO パイプライン、診断、再現可能なトレーニングの実行に重点を置いています。
必要条件
- 強化学習、設定の最適化、または RLHF スタイルのワークフローに関する実務経験
- Python およびディープラーニング フレームワークの強力なスキル
- 報酬モデリング、PPO、DPO、トレーニング診断、または評価設計に関する知識
- データの品質、ポリシーのドリフト、トレーニングの安定性について推論する能力
- Python およびディープラーニング フレームワークの強力なスキル
- 報酬モデリング、PPO、DPO、トレーニング診断、または評価設計に関する知識
- データの品質、ポリシーのドリフト、トレーニングの安定性について推論する能力
職責
- RL またはプリファレンス最適化トレーニング ワークフローを構築および維持する
- トレーニング診断を監視し、不安定性や回帰を調査します
- 研究チームとインフラストラクチャチームと協力して再現可能な実験を行う
- モデルの動作の変更とリリースへの影響を文書化する
- トレーニング診断を監視し、不安定性や回帰を調査します
- 研究チームとインフラストラクチャチームと協力して再現可能な実験を行う
- モデルの動作の変更とリリースへの影響を文書化する
福利厚生
- インフラストラクチャのサポートを利用して、適用されたモデル改善のワークフローに取り組む
- 研究、安全、ML プラットフォームのチームと協力する
- 嗜好データの品質とトレーニングの信頼性に関する基準の設定を支援します
- 研究、安全、ML プラットフォームのチームと協力する
- 嗜好データの品質とトレーニングの信頼性に関する基準の設定を支援します