Sr. Software Engineer, AI / ML Inference Platform

Sobre Dialpad

Dialpad es la plataforma de IA para la experiencia del cliente, diseñada para resolver problemas de los clientes en tiempo real a través de voz y canales digitales. Nuestros agentes de IA aprenden de tus mejores agentes humanos y mejoran con cada interacción, ayudando a las organizaciones a entender a sus clientes, ofrecer mejores experiencias, aumentar la eficiencia operativa y construir una ventaja competitiva duradera.

A diferencia de los sistemas heredados diseñados para enrutar y responder, o de proveedores de bots autónomos diseñados para desviar, Dialpad fue creado para resolver. Nuestros agentes de IA y agentes humanos operan en una única plataforma con contexto compartido, permitiendo que Agentic AI resuelva problemas, avance en acuerdos y elimine el trabajo tedioso a través de la automatización, mientras transfiere conversaciones a humanos sin problemas cuando es necesario, con el contexto completo preservado.

Marcas líderes en el mercado, como Randstad, Motorola Solutions, Netflix, los San Diego Padres, el Colorado Rockies Baseball Club y Cal Athletics, confían en Dialpad. Dialpad cuenta con el respaldo de Andreessen Horowitz, GV, ICONIQ Capital y T-Mobile.

Ser un Dialer

En Dialpad, la IA no es solo una característica; es la forma en que nuestros equipos hacen su mejor trabajo todos los días. Ponemos potentes herramientas de IA en manos de cada empleado para que puedan moverse más rápido, pensar en grande y lograr más.

Creemos que cada conversación importa. Y hemos construido la plataforma que convierte esas conversaciones en información y acción, tanto para nuestros clientes como para nosotros mismos.

Buscamos personas intensamente curiosas y que se exijan a sí mismas un alto nivel. Nuestra ambición es significativa, y lograrla requiere un equipo que opere al más alto nivel. Buscamos personas que encarnen nuestros rasgos principales: Ingeniosas (Scrappy), Curiosas, Optimistas, Persistentes y Empáticas.

Tu rol

Estamos contratando un Ingeniero de Software Senior para construir la plataforma compartida de IA/ML que lleva las capacidades basadas en modelos de Dialpad desde el entrenamiento hasta la inferencia en producción.

El equipo de Plataforma de IA/ML construye y opera infraestructura de entrenamiento de GPU, herramientas de evaluación y ciclo de vida de modelos, y sistemas de inferencia en producción que se ejecutan en GPUs NVIDIA en GCP. Proporcionamos las bases de ingeniería comunes que permiten a los equipos de ASR, NLP y otras áreas de IA entrenar, evaluar, lanzar, operar y mejorar continuamente modelos a escala empresarial.

La inferencia es un centro de gravedad importante para este rol: convertir modelos entrenados en servicios de producción confiables, observables y eficientes. El trabajo es intencionalmente de extremo a extremo, ya que los resultados de producción están determinados por las decisiones tomadas a lo largo del ciclo de vida del modelo. Trabajarás en clústeres de entrenamiento, artefactos de modelos, flujos de trabajo de evaluación y lanzamiento, tiempos de ejecución de servicio, operaciones de producción y bucles de retroalimentación.

También te desempeñarás como un socio de ingeniería senior para científicos de ASR y NLP. Ayudarás a los equipos a razonar sobre la reproducibilidad, la evaluación, la escalabilidad, las restricciones de hardware y tiempo de ejecución, la latencia, la confiabilidad, el costo y la seguridad de los lanzamientos, mientras aún hay tiempo para influir en el diseño. No se espera que realices investigación original de ML, pero debes comprender el entrenamiento, los datos, la evaluación y el comportamiento del modelo lo suficiente como para ayudar a traducir el trabajo científico en sistemas de ML empresariales confiables.

Este es un rol de ingeniería con un fuerte enfoque en la implementación, no una posición de soporte operativo. Construirás sistemas directamente, liderarás trabajo técnico sustancial y mejorarás las prácticas compartidas mediante las cuales Dialpad lleva las capacidades de IA de la experimentación a la producción.

Qué harás

• Diseñar, construir y mejorar capacidades de plataforma compartidas que abarquen el entrenamiento de modelos, la evaluación, la gestión de artefactos, el lanzamiento, la inferencia en producción y la retroalimentación operativa.
• Construir y operar infraestructura compartida de entrenamiento de GPU que proporcione a los científicos entornos confiables, reproducibles y eficientes para el desarrollo y la experimentación de modelos.
• Mejorar la programación de clústeres de entrenamiento, el aislamiento de cargas de trabajo, la gestión de capacidad, el almacenamiento, la red, la observabilidad y la utilización de aceleradores.
• Desarrollar vías de servicio de producción para cargas de trabajo de inferencia de baja latencia, alto rendimiento y alta disponibilidad.
• Integrar y adaptar marcos de entrenamiento de modelos y tiempos de ejecución de inferencia para cumplir con los requisitos de Dialpad en cuanto a automatización, observabilidad, seguridad y control operativo.
• Mejorar el rendimiento y la eficiencia de las cargas de trabajo de GPU razonando sobre cómputo, memoria, almacenamiento, red, procesamiento por lotes, concurrencia y programación de cargas de trabajo.
• Colaborar con científicos de ASR y NLP para traducir las capacidades de modelos en evolución en diseños de producción escalables.
• Asesorar a los equipos científicos sobre preocupaciones de producción, incluyendo reproducibilidad, cobertura de evaluación, diseño de artefactos, requisitos de recursos, viabilidad de servicio, modos de falla y compensaciones entre calidad y rendimiento.
• Mejorar cómo se versionan, rastrean, validan, comparan, promueven, implementan y revierten modelos y artefactos relacionados en diferentes entornos.
• Habilitar lanzamientos seguros a través de evaluación representativa, controles automatizados de calidad y rendimiento, tráfico en sombra, implementaciones por etapas, comparaciones candidato-incumbente y reversiones rápidas.
• Construir infraestructura de benchmarking y evaluación que mida la calidad del modelo junto con la latencia, el rendimiento, el comportamiento de saturación, la confiabilidad, la utilización de recursos y el costo.
• Fortalecer la telemetría, el registro estructurado, el rastreo, los paneles, las alertas y las herramientas de diagnóstico en entornos de entrenamiento y producción.
• Utilizar datos de rendimiento, incidentes, comentarios de desarrolladores y comportamiento de modelos en producción para identificar y ofrecer mejoras de alto valor en todo el ciclo de vida de la IA.
• Reducir el trabajo manual recurrente construyendo flujos de trabajo de autoservicio, interfaces claras y estándares prácticos que otros equipos de IA puedan adoptar.
• Liderar proyectos técnicos desde el diseño hasta la operación en producción, contribuir a las decisiones arquitectónicas y mentorizar a otros ingenieros.

Habilidades que aportarás

• Experiencia en ingeniería de producción: Siete o más años de experiencia profesional en ingeniería de software, con propiedad demostrada de sistemas backend, de infraestructura, distribuidos o de plataformas de ML en producción.
• Experiencia en sistemas de ML: Experiencia en la construcción u operación de sistemas que soportan el entrenamiento de modelos, la inferencia de modelos o el ciclo de vida que los conecta.
• Sólidos fundamentos de software: Dominio de Python, Go u otro lenguaje orientado a backend, con un historial de producción de software de producción mantenible e interfaces bien diseñadas.
• Fluidez en Cloud y Kubernetes: Experiencia práctica con Linux, contenedores, Kubernetes, infraestructura en la nube, CI/CD, automatización de implementaciones y operaciones de producción.
• Conocimiento de computación acelerada: Experiencia operando cargas de trabajo de GPU y razonando sobre utilización, memoria, almacenamiento, red, programación y rendimiento de cargas de trabajo.
• Familiaridad con el entrenamiento: Conocimiento práctico de flujos de trabajo modernos de entrenamiento de modelos, incluyendo conjuntos de datos, experimentos, ejecución distribuida, puntos de control, reproducibilidad y artefactos de modelos.
• Fluidez en ciencia de datos aplicada: Comprensión de la calidad de los conjuntos de datos, diseño de evaluación, validez experimental, análisis de errores, métricas de calidad de modelos y comportamiento de modelos en producción suficiente para colaborar eficazmente con científicos aplicados.
• Juicio de sistemas y rendimiento: Capacidad para encontrar cuellos de botella a través de límites del sistema y tomar decisiones razonadas entre calidad del modelo, latencia, rendimiento, confiabilidad, capacidad y costo.
• Juicio operativo: Un fuerte instinto para la observabilidad, la repetibilidad, la seguridad de los lanzamientos, la contención de fallas, la reversión y la resiliencia de todo el sistema.
• Liderazgo técnico: Capacidad para liderar de forma independiente proyectos ambiguos, comunicarse claramente entre disciplinas, mentorizar ingenieros e influir en las decisiones a través de un razonamiento técnico sólido.

Experiencia particularmente relevante

No necesitas experiencia con todas las tecnologías o dominios enumerados a continuación. La experiencia en varias de estas áreas sería especialmente valiosa:

• ASR, procesamiento de voz, NLP, modelos de lenguaje grandes u otros sistemas de producción basados en modelos.
• Entrenamiento de modelos basado en GPU o distribuido.
• Tiempos de ejecución de servicio de modelos como vLLM, Triton, TGI o sistemas comparables.
• Marcos de desarrollo de modelos como PyTorch o JAX.
• Programación de GPU y gestión de cargas de trabajo basada en Kubernetes.
• Infraestructura de GCP, particularmente GKE y servicios relacionados de almacenamiento, red y observabilidad.
• Seguimiento de experimentos, evaluación de modelos, registros de artefactos o monitoreo de modelos en producción.
• Construcción de plataformas internas para usuarios científicos y de ingeniería.

Cómo trabajamos

Tratamos una capacidad de ML empresarial como algo más que un modelo entrenado. Incluye los datos y la evidencia de evaluación detrás del modelo; la infraestructura utilizada para entrenarlo; el proceso de artefacto y lanzamiento; el tiempo de ejecución y el hardware en el que opera; y la telemetría, las salvaguardas y los bucles de retroalimentación necesarios para operarlo y mejorarlo.

Favorecemos mejoras prácticas e incrementales sobre la expansión innecesaria de la plataforma. Construimos capacidades compartidas donde eliminan la fricción recurrente, mejoran la confiabilidad o crean una palanca significativa, al tiempo que preservamos la flexibilidad que los científicos necesitan para explorar e iterar.

El éxito en este rol significa que los científicos pueden pasar de una idea a una capacidad lista para producción con menos trabajo manual y evidencia más sólida, y que los modelos implementados se vuelven más fáciles de entender, operar y mejorar con el tiempo.

Por qué unirse a Dialpad

• Trabajar en el centro de la transformación de IA en las comunicaciones empresariales
• Construir y lanzar productos de IA agentic que están redefiniendo cómo operan las empresas
• Unirse a un equipo donde la IA amplifica el impacto de cada empleado
• Salario competitivo, beneficios integrales y oportunidades reales de crecimiento

Creemos en invertir en nuestra gente. Dialpad ofrece beneficios y ventajas competitivas, herramientas de IA de vanguardia y un sólido programa de capacitación que te ayudan a alcanzar tu máximo potencial. Hemos diseñado nuestras oficinas para que sean inclusivas, ofreciendo un entorno vibrante