Informática
Descrição da Oportunidade
O plano de trabalho insere-se no âmbito do projeto de apoio à infraestrutura europeia de supercomputação, com a participação do INESCTEC. O principal foco deste plano é apoiar utilizadores de infraestruturas de supercomputação, especialmente na otimização e perfilamento de aplicações científicas, com foco em aplicações de ML/DL, em ambientes de pré-exascale e exascale.
Habilitações Académicas
Doutor(a) em Engenharia Informática, Matemática, Estatística, Física, Biomédica, ou área científica afim e detentores(as) de um currículo científico e profissional que revele um perfil adequado à atividade a desenvolver.
Requisitos Mínimos
a) Experiência com ferramentas de aprendizagem máquina, como PyTorch, TensorFlow ou Scikit-learn;b) Experiência sólida com algoritmos de ML/DL, pipelines de ML, experiência na implementação ou fine-tuning de LLMs;c) Competências em programação em Python (além de experiência com Git, Docker ou Linux);d) Proficiência na comunicação escrita e oral em língua Portuguesa e Inglesa.
Fatores de Preferência
- Experiência em otimização de modelos de LLM e DL, incluindo: - Quantização de modelos para redução de memória e aceleração de inferência; - Técnicas de Fine-Tuning Eficiente, como LoRA, PEFT e afins; - Modelos Mixture-of-Experts (MoE) e estratégias para escalabilidade. - Conhecimentos sólidos em computação de alto desempenho (HPC), com experiência em: o Sistemas distribuídos e paralelismo para treino de larga escala; o Gestores de recursos e filas de HPC (e.g., SLURM); o Otimização de treino e inferência em arquiteturas heterogéneas (CPU/GPU, Multi-GPU, Multi-Node); o CUDA e otimização de kernels para aceleração em GPU. - Familiaridade com frameworks e bibliotecas para computação distribuída, como Ray, DeepSpeed ou Horovod. - Experiência com monitorização e avaliação contínua incluindo técnicas para: o Profilling de código Python, debugging e monitorização de gargalos de processamento; o Monitorização e avaliação contínua de modelos (e.g., MLFlow), deteção de desvio (drift) de dados ou modelos; o Avaliação de desempenho, latência e precisão em produção. - Conhecimentos em Linux avançado e boas práticas de desenvolvimento em ambientes HPC.
Período de candidatura
Desde 11 Sep 2025 a 24 Sep 2025
Centro
Laboratório de Software Confiável