Software Engineer, Multimodal AI, XR

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

Инженер-разработчик в команде XR Google, работающий над мультимодальными и разговорными AI-моделями для носимых устройств нового поколения (умные очки, гарнитуры).

Задачи

• Разрабатывать и оптимизировать on-device и гибридные мультимодальные модели для XR-устройств
• Применять prompting, few-shot learning и post-training (например, квантизацию) с учётом ограничений по энергопотреблению и задержке
• Создавать планы оценки гибридных систем: от подготовки датасетов до определения KPI точности и эффективности на устройстве
• Внедрять и выпускать новейшие модели: гибридные агентные архитектуры, оркестрацию edge/cloud, мультимодальность, интеграции инструментов и персонализацию
• Прототипировать on-device AI-фичи и итеративно развивать их совместно с продуктовыми командами XR
• Работать с исследователями, инженерами и продуктовыми командами над техническим роадмапом и публикациями

Требования

• Bachelor’s degree или эквивалентный практический опыт
• 2 года опыта разработки ПО на одном или нескольких языках программирования (или 1 год с advanced degree)
• 1 год опыта в одном из направлений: speech/audio, reinforcement learning, ML infrastructure или другая область ML
• 1 год опыта с ML-фреймворками JAX, TensorFlow или PyTorch
• Предпочтительно: Master's/PhD в Computer Science или смежной области
• Предпочтительно: опыт с мультимодальным обучением, LLM или AI-агентами
• Предпочтительно: опыт с prompt engineering, few-shot learning, post-training и оценками
• Предпочтительно: знакомство с обучением и деплоем моделей на устройстве

Условия

• Зарплата $147000–$210000 в год + целевой бонус 15% + equity + benefits
• Выбор локации: San Jose, New York или San Francisco
• Собеседования преимущественно в формате in-person
• Публикации на конференциях и участие в запусках продуктов

Навыки

• JAX
• TensorFlow
• PyTorch
• LLM
• multimodal learning
• AI agents
• prompt engineering
• few-shot learning
• post-training
• quantization
• reinforcement learning
• speech/audio
• ML infrastructure
• on-device ML