Member of Technical Staff

Member of Technical Staff เป็นตำแหน่งเดียวที่ครอบทั้งงานวิจัยและงานวิศวกรรม เนื้องานครอบคลุมทุกขั้นตอนของโมเดล ได้แก่ สถาปัตยกรรม การสร้างชุดข้อมูล การออกแบบคลังข้อมูล การฝึก การประเมินผล การประมวลผล และการนำขึ้นให้บริการ

โมเดลเสียงพูด โมเดลถอดเสียง โมเดลแปลภาษา และโมเดล OCR เปิดให้บริการอยู่แล้ว ตำแหน่งนี้ครอบคลุมขั้นตอนเหล่านั้นสำหรับโมเดลทุกชนิด โมเดลในอนาคตจะใช้รูปแบบข้อมูลอื่นด้วย

ทุกโมเดลที่เปิดให้บริการอยู่หลัง API เดียวกัน คิดเงินตามการใช้งาน และคืนเครดิตเมื่อการประมวลผลล้มเหลว เช็กพอยต์ที่คุณฝึกจะถูกนำขึ้นให้บริการด้วยวิธีเดียวกัน และข้อผิดพลาดของมันปรากฏในล็อกคำขอ

ข้อมูลภาษาไทยแบบเปิดมีจำกัดในทุกรูปแบบ เสียงพูดที่ผ่านการตรวจทานรวมกันมีหลักร้อยชั่วโมง คลังข้อความและเอกสารมีขนาดเล็ก ไม่สม่ำเสมอ และแทบไม่ได้ถูกทำความสะอาดถึงมาตรฐานที่การฝึกโมเดลต้องการ การสร้างคลังข้อมูลจึงเป็นสัดส่วนของงานที่มากกว่ากรณีของภาษาอังกฤษ และส่งผลต่อคุณภาพโมเดลมากกว่า

• ออกแบบสถาปัตยกรรมโมเดลและเทคนิคการฝึก และตรวจสอบด้วยการทดลองแบบ ablation
• สร้างชุดข้อมูล ทั้งข้อมูลสังเคราะห์ การเพิ่มข้อมูล และไปป์ไลน์ pseudo-labeling พร้อมการตรวจสอบความถูกต้องของแต่ละส่วน
• ออกแบบ รวบรวม และทำความสะอาดคลังข้อมูล พร้อมสร้างไปป์ไลน์ที่เตรียมข้อมูล
• ดำเนินการฝึกโมเดลที่ผลิตเช็กพอยต์ซึ่งเปิดให้ใช้งาน และหาสาเหตุของการฝึกที่ล้มเหลว
• สร้างระบบประเมินผลและตัวชี้วัดเชิงปริมาณ และดำเนินการประเมินโดยมนุษย์ร่วมกับนักภาษาศาสตร์
• สร้างและปรับประสิทธิภาพเอนจินประมวลผล ทั้งการลดความละเอียดตัวเลข การคอมไพล์กราฟ การจัดแบตช์ งานระดับเคอร์เนล และรันไทม์
• นำเช็กพอยต์ขึ้นให้บริการจริง และรับผิดชอบความหน่วง ปริมาณงาน และต้นทุนของมัน

การฝึกโมเดลใช้ PyTorch การประมวลผลข้อมูลใช้ scikit-learn, spaCy และ PyThaiNLP โมเดลถูกส่งออกเป็น ONNX

การให้บริการใช้เอนจินประมวลผลที่เราเขียนเองด้วย Rust และ C++ โมเดลเดียวให้บริการได้หลายเงื่อนไข TensorRT ทำงานบน GPU ของ NVIDIA สำหรับความหน่วงต่ำที่สุดที่ปริมาณงานสูง OpenVINO ทำงานบน CPU ของ Intel สำหรับการติดตั้งที่ไม่มี GPU ONNX Runtime รองรับการติดตั้งบนฮาร์ดแวร์อื่น ส่วน candle หรือ tract สร้างไบนารีเดี่ยวแบบสแตติกสำหรับติดตั้งในสถานที่ของลูกค้าโดยไม่ต้องมีรันไทม์ของผู้ผลิต เอนจินเลือกแบ็กเอนด์ตามโมเดล ฮาร์ดแวร์ และเป้าหมายความหน่วง ทุกแบ็กเอนด์ถูกวัดเทียบกัน เราเขียนเอนจินเองเพื่อควบคุมความหน่วงและต้นทุนของการให้บริการ

ประสิทธิภาพเป็นข้อกำหนดของโมเดล เอนจิน และการนำขึ้นให้บริการ ความหน่วง ปริมาณงาน และหน่วยความจำถูกวัดทุกครั้งที่มีการเปลี่ยนแปลง การถดถอยทำให้การเปลี่ยนแปลงนั้นไม่ผ่าน

• มีผลงานเชิงเทคนิคที่เปิดให้อ่านได้ เช่น เปเปอร์ รีโพ บทความ โมเดลการ์ด หรือชุดวัดผล
• มีความลึกอย่างน้อยสองด้านจาก สถาปัตยกรรมโมเดล การสร้างชุดข้อมูล การสร้างคลังข้อมูล การฝึก การประเมินผล เอนจินประมวลผล และการนำขึ้นให้บริการ
• มีประสบการณ์ฝึกโมเดลด้วย PyTorch รวมถึงการหาสาเหตุและแก้ปัญหาเมื่อการฝึกล้มเหลว
• มีประสบการณ์ส่งมอบโมเดลหรือระบบให้ผู้ใช้งาน และดูแลระบบนั้นบนโปรดักชัน
• ใช้ภาษาไทยและภาษาอังกฤษได้
• มีสัญชาติไทย ตำแหน่งนี้ประจำที่กรุงเทพฯ

• วุฒิระดับบัณฑิตศึกษาด้าน machine learning วิทยาการคอมพิวเตอร์ หรือสาขาเชิงปริมาณ
• เคยเขียน Rust หรือ C++ บนเส้นทางประมวลผลที่ส่งมอบจริง โดยใช้ TensorRT, ONNX Runtime, OpenVINO, candle, tract หรือรันไทม์ที่เขียนเอง
• CUDA, Triton หรือการวิเคราะห์ประสิทธิภาพระดับเคอร์เนล
• การบีบอัดโมเดล ทั้งการลดความละเอียดตัวเลข การกลั่นความรู้ การตัดแต่ง หรือการคอมไพล์กราฟ
• เคยรับเวรดูแลระบบประมวลผลบนโปรดักชัน
• เคยทำงานกับภาษาไทยหรือภาษาอื่นที่มีข้อมูลเปิดจำกัด

พูดคุยเรื่องเงินเดือนในการสัมภาษณ์รอบแรก

ส่งอีเมลโดยระบุ Member of Technical Staff ในหัวข้ออีเมล พร้อมแนบสิ่งต่อไปนี้

• เรซูเม่ของคุณ หรือลิงก์ไปยังเรซูเม่
• ผลงานหนึ่งชิ้นให้เราอ่าน เช่น เปเปอร์ รีโพ บทความ หรือโมเดล
• เรื่องที่คุณอยากทำในหกเดือนแรก

เราใช้ข้อมูลที่คุณส่งมาเพื่อพิจารณาใบสมัครเท่านั้น และลบข้อมูลหลังแจ้งผลไปแล้วหกเดือน เว้นแต่คุณขอให้เก็บไว้ กรุณาอย่าส่งเลขบัตรประชาชน ข้อมูลสุขภาพ หรือข้อมูลอื่นที่ไม่จำเป็นต่อการพิจารณาใบสมัคร นโยบายความเป็นส่วนตัว