AI Tuning Engineer
เกี่ยวกับตำแหน่งนี้
ตำแหน่ง AI Tuning Engineer (หรือ Fine-Tuning / Model Alignment Engineer) มีหน้าที่รับผิดชอบโดยตรงในการนำโมเดล AI พื้นฐาน (Base Models / Large Language Models) มาทำการปรับแต่ง ปรับจูน และควบคุมพฤติกรรม (Tuning & Alignment) ด้วยชุดข้อมูลเฉพาะทาง เพื่อให้โมเดลมีประสิทธิภาพสูงขึ้น แม่นยำในโดเมนธุรกิจ ตอบสนองได้ปลอดภัย และพร้อมสำหรับการนำไปใช้งานจริงในระบบ Production งานนี้ไม่ใช่แค่การเขียน Prompt แต่เป็นการลงลึกในระดับน้ำหนัก (Weights), Architecture, Hyperparameters และชุดข้อมูลฝึกฝน (Datasets) เพื่อสะพานเชื่อมระหว่าง Open-Source Base Models กับโซลูชันธุรกิจระดับองค์กร บทบาทและความรับผิดชอบหลัก (Key Responsibilities) Model Fine-Tuning & Adaptation: วางแผนและดำเนินการปรับจูนโมเดลด้วยเทคนิคขั้นสูง เช่น SFT (Supervised Fine-Tuning), PEFT (Parameter-Efficient Fine-Tuning เช่น LoRA, QLoRA) เพื่อลดการใช้ทรัพยากรคำนวณแต่ยังคงประสิทธิภาพสูง ปรับแต่งพฤติกรรมและแนวทางตอบของโมเดลด้วยเทคนิค Alignment เช่น RLHF (Reinforcement Learning from Human Feedback), DPO (Direct Preference Optimization), ORPO หรือ PPO Data Engineering for Training: คัดสรร รวบรวม ทำความสะอาด และจัดโครงสร้างชุดข้อมูลสำหรับฝึกฝน (Instruction Data, Preference Data) ร่วมกับทีม Domain Experts สร้างSynthetic Data (ข้อมูลสังเคราะห์) และกระบวนการ Data Augmentation เพื่อแก้ปัญหาชุดข้อมูลขาดแคลนหรือมีความเอียงเอียง (Bias) Evaluation & Benchmark Framework: ออกแบบและสร้างระบบประเมินผลโมเดล (Evaluation Pipeline) ทั้งแบบ Automated Metrics (เช่น BLEU, ROUGE, LLM-as-a-Judge) และ Human Evaluation ทดสอบหาจุดบกพร่อง ป้องกันปัญหา Model Drift, Catastrophic Forgetting (การลืมความรู้เดิม) และอาการ Hallucination Optimization & Deployment Preparation: ทำการ Compress โมเดลผ่านเทคนิค Quantization (เช่น INT8, INT4, AWQ, GGUF), Pruning และ Knowledge Distillation เพื่อให้รองรับ Edge Devices หรือประหยัดค่า Latency/Infrastructure ทำงานร่วมกับทีม Machine Learning Engineers และ MLOps เพื่อนำโมเดลเข้าสู่กระบวนการ Deployment และติดตามผลหลังปล่อยใช้งาน คุณสมบัติที่ต้องการ (Requirements & Qualifications) หมวดหมู่รายละเอียดคุณสมบัติด้านการศึกษาปริญญาตรีขึ้นไป สาขา Computer Science, Data Science, Artificial Intelligence, Mathematics หรือสาขาที่เกี่ยวข้องความรู้ด้าน AI/LLMมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับ Transformer Architecture, Attention Mechanisms และหลักการทำงานของ LLMs / Multimodal Modelsทักษะด้านเทคนิค & Frameworksเชี่ยวชาญ Python และ Framework ด้าน Deep Learning เช่น PyTorch, Hugging Face (Transformers, PEFT, TRL), Deepspeed, vLLMการจัดการข้อมูลมีทักษะการจัดการ Big Data และเครื่องมือ Data Wrangling (Pandas, SQL, Spark) รวมถึงเทคนิค Data Scrubbing และ Annotationระบบ Infrastructureมีประสบการณ์การฝึกฝนโมเดลบน GPU Clusters (Nvidia CUDA) และการใช้ Cloud Infrastructure (AWS, GCP, Azure) ทักษะเสริมที่จะได้รับการพิจารณาเป็นพิเศษ (Nice to Have) มีผลงานวิจัยหรือประสบการณ์ตรงในการเทรนโมเดลระดับหลายพันล้าน Parameters (Billion+ Parameters) เคยมีประสบการณ์สร้างระบบ RAG (Retrieval-Augmented Generation) หรือการเชื่อมต่อ Vector Databases เข้าใจเรื่อง AI Governance, Data Privacy, Guardrails และความปลอดภัยด้าน Cyber Security ที่เกี่ยวข้องกับ AI