Internship: AI Infrastructure and MLOps Modernization through VibeOps (pRED) — Roche

Descrizione completa

A Roche puoi apparire come te stesso, abbracciato per le qualità uniche che porti. La nostra cultura incoraggia l'espressione personale, il dialogo aperto e i legami genuini, dove siete valorizzati, accettati e rispettati per chi siete, permettendovi di prosperare sia personalmente che professionalmente. Questo è il modo in cui vogliamo prevenire, fermare e curare le malattie e garantire che tutti abbiano accesso alla salute oggi e per le generazioni a venire. Unisciti a Roche, dove ogni voce conta. La posizione I progressi in AI, dati e scienze computazionali stanno trasformando la scoperta della droga. Il nuovo Centro di Scienze Computazionali di Eccellenza (CoE) unifica Genentech (gRED) e Pharma (pRED) gli sforzi per sfruttare i dati e l'IA per i farmaci innovativi. All'interno di CoE, il Data and Digital Catalyst (DDC) modernizza gli ecosistemi computazionali e dati. Il gruppo Engineering - AI Enablement, all'interno del DDC, guida l'adozione di AI, costruisce e distribuisce soluzioni AI per ottimizzare i flussi di lavoro, scala la formazione e l'inferenza del modello e crea applicazioni per accelerare la scoperta della droga. Essi mirano a rendere AI/ML un'utilità quotidiana per le attività dall'analisi dei dati alla documentazione. Il team di pRED-MLOps all'interno del gruppo AI Enablement consente soluzioni AI/ML affidabili su larga scala in tutto il processo di sviluppo precoce, fornendo una piattaforma all'avanguardia per lo sviluppo, la distribuzione e il monitoraggio di modelli ad alto impatto per accelerare la scoperta della droga. Il team è interfunzionale, guidato da impatto, indipendente e in continua evoluzione per soddisfare le esigenze scientifiche. L'opportunità

• VibeOps Research and Prototyping: Migliori pratiche di ricerca, strumenti e metodologie per l'applicazione dei flussi di lavoro di VibeOps in ambienti MLOps, con un focus sulla produttività, una collaborazione interfunzionale efficiente e un self-service sicuro, nonché un'enfasi sulla comprensione dei rischi, limitazioni e compromessi
• Prototipo di soluzioni su piccola scala, concentrandosi sui concetti di VibeOps e sulle migliori pratiche, strumenti e metodologie, all'interno di contesti MLOps realistici. L'obiettivo è la sperimentazione, non la distribuzione della produzione. Inoltre, sviluppare benchmark per convalidare la correttezza di questi prototipi.
• Proporre misure attuabili per integrare i principi "VibeOps" nelle nostre pratiche MLOps e strumenti come direzioni future, per supportare l'adozione di self-service sicuro e scalabile nel tempo.
• Sviluppo della piattaforma ML: Assistere nello sviluppo e nella documentazione di strumenti, tubazioni e framework che migliorano il ciclo di vita MLOps (ad esempio, integrazione del negozio di inferenza, ganci di monitoraggio automatizzati, meccanismi di rilevamento della deriva) con l'accento sulla abilitazione self-service per gli ingegneri ML e gli scienziati dati.
• Ammodernamento delle infrastrutture AI: contribuire alla progettazione, implementazione e ottimizzazione dei moderni componenti infrastrutturali (ad esempio, containerizzazione, orchestrazione, calcolo distribuito) per migliorare la velocità di formazione/inferenza del modello, affidabilità di distribuzione e efficienza delle risorse, in particolare attraverso una lente self-service.
• Collaborazione: lavorare a stretto contatto con gli ingegneri ML, gli scienziati dei dati e gli specialisti delle infrastrutture IT, traducendo la ricerca all'avanguardia in soluzioni pratiche e scalabili di self-service Chi sei
• Sei uno studente di Master iscritto o ti sei laureato come studente di Bachelor o Master entro 12 mesi in Informatica, Biotecnologia o campo relativo
• Esperienza in Python e esperienza con scripting/automazione (ad esempio Bash).
• Comprensione di base dei concetti LLM e AI Generativi, inclusi i suggerimenti, il contesto, le limitazioni e le modalità di fallimento.
• Forte interesse per le operazioni di apprendimento automatico, i principi DevOps.
• Forte capacità di problem solving e un approccio proattivo e automotivato per affrontare sfide complesse.
• Una certa esperienza con piattaforme/tool MLOps (ad esempio, MLflow, Kubeflow, SageMaker).
• Una certa familiarità con i gasdotti CI/CD (ad esempio, GitLab CI, GitHub, Jenkins).
• Interessi o esposizione ai concetti di AI Agentic, come la chiamata degli strumenti, l'orchestrazione dell'agente o i modelli di interoperabilità (ad esempio, MCP).
• Alcune conoscenze fondamentali del cloud