Acerca del puesto
En este rol de contratista remoto por horas, trabajarás como Experto en Ciencias de Materiales (SME, por sus siglas en inglés) para revisar contenido de ciencias de materiales generado por IA y/o crear contenido de referencia de alta calidad sobre ciencias de materiales, evaluando la precisión científica, el razonamiento de ingeniería, la terminología y las explicaciones paso a paso, mientras proporcionas comentarios escritos precisos. Evaluarás los resultados en cuanto a corrección, claridad, plausibilidad física, consistencia de unidades, razonamiento microestructura-propiedad, contexto experimental y adherencia al prompt; identificarás errores en estructura cristalina, diagramas de fase, propiedades mecánicas, polímeros, cerámicas, metales, compuestos, nanomateriales, métodos de procesamiento y caracterización; verificarás datos cuando sea necesario; escribirás reescrituras de alta calidad y respuestas modelo que demuestren las mejores prácticas en la explicación de ciencias de materiales; y calificarás y compararás múltiples respuestas de IA según su corrección y calidad general.
Este rol es con SME Careers, una empresa de servicios de datos de IA en rápido crecimiento y subsidiaria de SuperAnnotate, que proporciona datos de entrenamiento para muchas de las empresas de IA y laboratorios de modelos fundacionales más grandes del mundo. Tu experiencia en ciencias de materiales ayuda directamente a mejorar los principales modelos de IA del mundo al hacer que sus resultados en materiales, ingeniería y ciencias aplicadas sean más precisos, prácticos y estén claramente explicados.
Qué harás
- Desarrollar contenido de entrenamiento de IA: Crear prompts y respuestas de referencia sobre ciencias de materiales en temas como metales, cerámicas, polímeros, compuestos, diagramas de fase, tratamientos térmicos, ensayos mecánicos, corrosión, nanomateriales y caracterización.
- Optimizar el rendimiento de la IA: Evaluar y clasificar los resultados de IA para mejorar la precisión científica, la lógica de ingeniería, la terminología, el razonamiento estructura-propiedad, la claridad y la relevancia respecto al prompt del usuario.
- Garantizar la integridad del modelo: Detectar afirmaciones engañosas sobre materiales, propiedades alucinadas, recomendaciones de procesamiento defectuosas, diagramas incorrectos, suposiciones de diseño inseguras e interpretaciones demasiado confiadas; validar la fiabilidad en los casos de uso de ciencias de materiales.
Qué buscamos
- Título de grado o superior en Ciencias de Materiales, Ingeniería de Materiales, Ingeniería Mecánica, Ingeniería Química, Metalurgia, Ciencia de Polímeros, Nanotecnología o un campo relacionado, o experiencia profesional equivalente.
- Sólida competencia profesional en inglés, mínimo C1, para seguir las directrices y proporcionar comentarios detallados en inglés.
- 3+ años de experiencia en investigación de ciencias de materiales, ingeniería de materiales, trabajo de laboratorio, fabricación, docencia, redacción técnica, revisión académica o trabajo científico/de ingeniería relacionado.
- Comprensión profunda de las relaciones estructura-propiedad, estructuras cristalinas, diagramas de fase, comportamiento mecánico, tratamientos térmicos, polímeros, cerámicas, metales, compuestos, corrosión y técnicas de caracterización.
- Capacidad para evaluar explicaciones, cálculos, diagramas, interpretaciones experimentales y recomendaciones de ingeniería sobre materiales en cuanto a precisión y claridad.
- Cómodo identificando propiedades de materiales alucinadas, afirmaciones de procesamiento incorrectas, razonamiento de microestructura defectuoso, sugerencias de ingeniería inseguras o afirmaciones de rendimiento no respaldadas.
- Gran atención al detalle al revisar unidades, terminología de materiales, métodos de ensayo, condiciones de proceso, suposiciones y compensaciones de diseño.
- Confiable, autónomo y capaz de ofrecer una calidad constante en un flujo de trabajo de contratista remoto por horas en distintas zonas horarias.
- Se valora especialmente la experiencia previa en entrenamiento/anotación de datos de IA, QA científico, QA de ingeniería, QA académico, revisión de contenido técnico o evaluación basada en rúbricas.