Informazioni sul ruolo
Cerchiamo ricercatori di machine learning esperti, con esperienza pratica nell’addestramento e nel miglioramento end-to-end di modelli di deep learning, sia nella visione sia nel linguaggio. Si lavorerà su problemi di ricerca empirica in ML ben delimitati ma aperti.
Responsabilità
- Addestrare da zero classificatori di immagini e modelli generativi di immagini e rifinire (fine-tuning) modelli linguistici open-weight.
- Ottenere il massimo da budget limitati di dati, calcolo e dimensione del modello.
- Rendere i modelli robusti — sia agli input avversariali sia alle conversazioni avversariali.
- Comprimere i modelli per rispettare rigidi vincoli di dimensione e latenza senza sacrificare l’accuratezza.
- Diagnosticare e risolvere i problemi di addestramento.
Requisiti
Cerchiamo candidati con solida competenza in una o più delle seguenti aree:
Adversarial Robustness
Esperienza con:
- Addestramento avversariale di classificatori di immagini (ad es. addestramento basato su PGD, TRADES).
- Valutazione dell’accuratezza robusta con i modelli di minaccia standard (ad es. attacchi L∞, AutoAttack) ed elusione delle insidie del gradient masking.
- Gestione del compromesso tra robustezza e accuratezza e dell’overfitting robusto.
Computer Vision efficiente
Esperienza con:
- Addestramento end-to-end di classificatori di immagini, in particolare per il riconoscimento fine-grained (molte classi visivamente simili, pochi esempi per classe).
- Compressione dei modelli: quantizzazione, pruning e distillazione della conoscenza da grandi modelli teacher a piccoli modelli student.
- Distribuzione di modelli con rigidi vincoli di dimensione o latenza (on-device, edge o ambienti embedded).
Modellazione generativa di immagini
Esperienza con:
- Addestramento da zero di modelli generativi di immagini: modelli di diffusione, GAN, VAE o modelli basati su flussi.
- Iterazione sulla base di metriche di qualità dei campioni come FID.
- Accorgimenti di efficienza dell’addestramento che producono rapidamente buoni generatori con un numero ridotto di parametri.
Post-training di LLM e robustezza comportamentale
Esperienza pratica con uno o più dei seguenti ambiti:
- Fine-tuning supervisionato e ottimizzazione delle preferenze (DPO, RLHF, RLAIF) di modelli linguistici open-weight, inclusa la creazione di propri dataset tramite generazione sintetica, supervisione rumorosa o debole e rejection sampling.
- Modellazione del comportamento conversazionale su più turni: resistenza alla persuasione e alla piaggeria (sycophancy), confidenza calibrata e capacità di sapere quando accettare le correzioni.
- Fine-tuning in stile allineamento che modifica un comportamento specifico preservando la capacità generale.
Pre-training multilingue
Esperienza con:
- Addestramento da zero di modelli multilingue o per lingue con poche risorse.
- Progettazione di tokenizer per sistemi di scrittura e lingue tipologicamente diverse.
- Bilanciamento di dati per lingua fortemente diseguali (temperature di campionamento, trasferimento cross-linguistico) in regimi con dati limitati.
Altre aree di interesse
L’esperienza in uno dei seguenti ambiti costituisce un plus:
- Leggi di scala e ricerca sull’efficienza dell’addestramento.
- Curriculum learning e ordinamento dei dati.
- Valutazione dei modelli: costruzione di benchmark, controllo della contaminazione, confronti statisticamente solidi.
- Stima dell’incertezza e calibrazione dei modelli.
- Data augmentation e dati sintetici per la robustezza.
Requisiti generali
- Almeno 3 anni di esperienza nella ricerca sul machine learning (la ricerca di dottorato rientra in questo requisito).
- Solida esperienza con PyTorch, JAX, TensorFlow o framework ML simili.
- Laurea presso una delle prime 100 università, esperienza presso un’azienda FAANG o un’azienda di IA comparabile, oppure un percorso di ricerca equivalente documentato da pubblicazioni o da contributi open source di grande impatto.
Perché unirsi a noi
- Lavorare su ricerca di machine learning all’avanguardia.
- Collaborare con i principali ricercatori di IA su progetti impegnativi e di grande impatto.
- Lavoro flessibile, basato su progetti, con una retribuzione competitiva.