Principal ML Platform Engineer - Remote-Stelle

Synthesia sucht Principal ML Platform Engineer: Führungsniveau, und damit Verantwortung für ein Team oder einen Bereich. Die Stelle liegt im Bereich IT und Programmierung und ist vollständig remote. Das Unternehmen stellt Kandidaten mit Sitz in Europa ein.

Die Anzeige hebt Machine Learning hervor, Erfahrung mit genau diesem Werkzeug gibt also den Ausschlag.

Das Unternehmen hat keine Zahl veröffentlicht, das klärt sich im Gespräch. Zu den Arbeitszeiten stellt die Anzeige keine Bedingung.

Diese Stelle hat eine automatische Prüfung durchlaufen: Anzeigen, die eine ausländische Arbeitserlaubnis, Visa-Sponsoring, eine bestimmte Staatsangehörigkeit oder den Wohnsitz in einem genannten Land verlangen, kommen nicht auf die Liste.

Synthesia, eine wegweisende KI-Videoplattform, bedient mehr als 90% der Fortune 100. Das Unternehmen wurde 2017 gegründet und ist in London sowie in Europa und den USA präsent.

Mit KI, die die Landschaft von Business und Kommunikation verändert, konzentriert sich Synthesia auf die Verbesserung visueller Inhalte und die Entwicklung von Unternehmenskompetenzen, um die Zusammenarbeit und den Erfolg in Unternehmen zu optimieren.

Nach einer kürzlichen Finanzierungsrunde der Serie E sicherte sich Synthesia 200 Millionen US-Dollar und brachte seine Bewertung auf 4 Milliarden US-Dollar. Das Unternehmen hat über 530 Millionen US-Dollar von führenden Investoren wie Accel, NVentures (Nvidias VC-Arm), Kleiner Perkins, GV und Evantic Capital sowie Gründern und Betreibern von Stripe, Datadog, Miro und Webflow gesammelt.

Wir suchen einen Principal Engineer, der dem ML Platform Team von Synthesia beitritt.

Unser Team gestaltet und verwaltet die Infrastruktur, die es Forschungs- und Produktteams ermöglicht, generative Modelle effizient zu trainieren, zu bedienen und einzusetzen. Dies beinhaltet die Entwicklung von Forschungswerkzeugen, Produktionssystemen und Benutzeroberflächen, die diese Komponenten integrieren. Ein wesentlicher Teil unserer Mission ist es, diese Systeme automatisierter und agentenorientierter zu gestalten, um sicherzustellen, dass Workflows mit minimalen manuellen Eingriffen zuverlässig funktionieren können.

Wir suchen einen vielseitigen Ingenieur mit einer Systemperspektive:

Jemand, der nahtlos über Infrastruktur, Backend-Systeme und Tools hinweg arbeiten kann und praktische Erfahrung mit ML-Systemen hat. - Bei dieser Rolle geht es nicht nur um ML Engineering; wir sind besonders an Personen interessiert, die Zuverlässigkeit, Skalierbarkeit, Leistung und Ressourceneffizienz in komplexen Produktionsumgebungen tief verstehen. - Dies ist eine praktische, wirkungsvolle Rolle mit erheblicher Verantwortung. Sie werden die Entwicklung unserer ML-Plattform mitgestalten, wenn wir die Anzahl der Modelle, Workloads, Tools und Teams, die darauf vertrauen, skalieren.

Was Sie tun werden:

Entwerfen und verbessern Sie die Plattformsysteme, die Modellschulungen, -bewertungen und -dienste unterstützen. Bauen Sie Infrastruktur und Tools auf, die sicherstellen, dass ML-Workloads zuverlässiger, skalierbarer und kosteneffizienter sind. - Entwicklung interner Tools und Workflows, die sowohl für den Menschen einfach zu bedienen als auch für die Automatisierung geeignet sind. Arbeiten Sie an der Architektur hinter der Bereitstellung, dem Service und dem Betrieb von Modellen in Forschungs- und Produktumgebungen. - Verbessern Sie die Planung, Überwachung und Debug von Workloads, die auf GPUs und Cloud-Infrastruktur ausgeführt werden. - Entwicklung interner Tools und Abstraktionen, die den Betriebsaufwand für Forscher und Ingenieure reduzieren. - Verbesserung der Beobachtbarkeit, Automatisierung, Zuverlässigkeit und Entwicklererfahrung. Arbeiten Sie eng mit Forschern und Produktingenieuren zusammen, um Schwachstellen zu identifizieren und sie in robuste Plattformfunktionen umzuwandeln. - Tragen Sie zur technischen Ausrichtung bei und treffen Sie praktische architektonische Entscheidungen, wenn die Plattform wächst.

Sie werden in dieser Rolle gedeihen, wenn Sie:

Umfangreiche Erfahrung beim Aufbau oder Betrieb von Produktionssystemen mit Fokus auf Zuverlässigkeit, Skalierbarkeit und Wartbarkeit. Eine Systemmentalität: Sie denken natürlich an Engpässe, Ausfallmodi, Schnittstellen, Ressourcenverbrauch und langfristige Bedienbarkeit. Solide praktische Erfahrung mit Cloud-Infrastruktur, Linux und Infrastrukturautomatisierung. - Erfahrung mit Kubernetes und der Verwaltung verteilter Workloads in der Produktion. Starke Programmierkenntnisse, vorzugsweise in Python oder ähnlichen Sprachen, die für Backend-Systeme und Tools verwendet werden. Starkes Urteil darüber, wo Automatisierung einen Mehrwert schafft und wo menschliche Aufsicht entscheidend ist. Erleben Sie den Aufbau interner Plattformen, Entwicklertools oder Infrastrukturabstraktionen, die von anderen Ingenieuren verwendet werden. Komfort beim Arbeiten in mehrdeutigen Umgebungen und Übernahme von offenen technischen Herausforderungen. - Ein pragmatischer Ansatz: Sie priorisieren die Lösung des richtigen Problems gut und vermeiden Über-Engineering.

Relevante Erfahrung:

- Betrieb von ML-Infrastruktur oder Modell-Service-Systemen in der Produktion. - Unterstützung von Forschung oder datenintensiven Workloads. Arbeiten mit GPU-basierten Systemen oder einer anderen leistungssensitiven Infrastruktur. - Erfahrung mit Observability und Debugging in verteilten Systemen. Vertrautheit mit Terraform, Datadog, GitHub-Aktionen oder ähnlichen Tools.

Zusätzliche Leistungen:

- Erleben Sie den Aufbau agentischer oder LLM-basierter interner Tools. - Erfahrung mit Workflow-Orchestrierungssystemen wie Temporal. - Erfahrung in der Arbeit an der Schnittstelle von Forschung und Produktionstechnik. Vertrautheit mit Performance-Optimierung, Planung oder Ressourcenzuweisung Herausforderungen. - Erleben Sie den Bau von leichten Produkten oder Tools für Entwickler.