Machine Learning Engineer - Inference Optimization, հեռավար աշխատանք

Այս հայտարարությունը հրապարակել է Featherless AI ընկերությունը, փնտրվող պաշտոնը՝ Machine Learning Engineer - Inference Optimization։ Պաշտոնը «IT և ծրագրավորում» կատեգորիայից է և ամբողջովին հեռավար։ Ընկերությունը չի սահմանափակում թեկնածուի բնակության վայրը, ուստի կարող եք դիմել այնտեղից, որտեղ ապրում եք։

Հայտարարությունն առանձնացնում է մեկ գործիք՝ Machine Learning։ Հենց դրա հետ աշխատանքի փորձն է որոշիչ լինելու։

Գործատուն թիվ չի հրապարակել, հարցը լուծվում է հարցազրույցին։ Աշխատանքային ժամերի վերաբերյալ հայտարարությունը պայման չի դնում։

Այս թափուր աշխատատեղն անցել է ավտոմատ ստուգում. ցանկ չեն մտնում այն հայտարարությունները, որոնք պահանջում են օտարերկրյա աշխատանքի թույլտվություն, վիզայի հովանավորություն, որոշակի քաղաքացիություն կամ նշված երկրում բնակություն։

About the Role We’re looking for a Machine Learning Engineer to own and push the limits of model inference performance at scale . You’ll work at the intersection of research and production-turning cutting-edge models into fast, reliable, and cost-efficient systems that serve real users. This role is ideal for someone who enjoys deep technical work, profiling systems down to the kernel/GPU level, and translating research ideas into production-grade performance gains. What You’ll Do

* Optimize inference latency, throughput, and cost for large-scale ML models in production

* Profile and bottleneck GPU/CPU inference pipelines (memory, kernels, batching, IO)

* Implement and tune techniques such as:

* Quantization (fp16, bf16, int8, fp8)

* KV-cache optimization & reuse

* Speculative decoding, batching, and streaming

* Model pruning or architectural simplifications for inference

* Collaborate with research engineers to productionize new model architectures

* Build and maintain inference-serving systems (e.g. Triton, custom runtimes, or bespoke stacks)

* Benchmark performance across hardware (NVIDIA / AMD GPUs, CPUs) and cloud setups

* Improve system reliability, observability, and cost efficiency under real workloads

What We’re Looking For

* Strong experience in ML inference optimization or high-performance ML systems

* Solid understanding of deep learning internals (attention, memory layout, compute graphs)

* Hands-on experience with PyTorch (or similar) and model deployment

* Familiarity with GPU performance tuning (CUDA, ROCm, Triton, or kernel-level optimizations)

* Experience scaling inference for real users (not just research benchmarks)

* Comfortable working in fast-moving startup environments with ownership and ambiguity

Nice to Have

* Experience with LLM or long-context model inference

* Knowledge of inference frameworks (TensorRT, ONNX Runtime, vLLM, Triton)

* Experience optimizing across different hardware vendors

* Open-source contributions in ML systems or inference tooling

* Background in distributed systems or low-latency services

Why Join Us

* Real ownership over performance-critical systems

* Direct impact on product reliability and unit economics

* Close collaboration with research, infra, and product

* Competitive compensation + meaningful equity at Series A

* A team that cares about engineering quality, not hype

Originally posted on Himalayas