強化学習エンジニア

AI・機械学習フルタイム中堅ロンドン, イングランド, イギリス

£126,000–£210,000/年 (£10,500–£17,500/月) — 応相談

今すぐ応募

強化学習と選好最適化を通じて、モデルの振る舞いを改善します。報酬モデルの開発、PPO/DPOによる学習プロセスの構築、学習状況の分析、再現可能な実験に取り組みます。

- 強化学習、選好最適化、またはRLHF関連の実務経験
- Pythonと深層学習フレームワークを使った開発経験
- 報酬モデル、PPO、DPO、学習診断、評価設計に関する知識
- データ品質、モデル方針の変化、学習の安定性を評価する力

- 強化学習や選好最適化の学習プロセスを構築・改善する
- 学習診断の結果を分析し、不安定化や性能低下の原因を調べる
- 研究・インフラチームと連携し、再現可能な実験を行う
- モデルの振る舞いの変化とリリースへの影響を記録する

- インフラチームの支援を受けながら、モデルの実用的な改善に取り組める
- 研究、安全性、機械学習基盤の各チームと協力できる
- 選好データの品質と安定した学習に関する基準づくりに携われる

雇用形態 フルタイム

経験レベル中堅

勤務地 ロンドン, イングランド, イギリス

募集人数 2

今すぐ応募

関連ポジション