Mistral AI招聘职位揭示了公司的技术重点、文化和未来发展方向。以下是从招聘信息中总结出的10条洞察，以及这些洞察所反映的重要信息和趋势：
高度重视全栈开发技能：多个职位（全栈工程师、后端工程师）都强调了开发者需要在前后端均有扎实的经验，并且能够在云环境中构建和优化解决方案。Mistral AI对开发者的要求不仅仅是特定领域的专家，而是能够在整个技术栈中灵活工作。
云计算和分布式系统的核心地位：从多个职位（如平台工程师、SRE工程师）中可以看出，Mistral AI的技术基础设施高度依赖云计算和分布式系统。这表明公司在扩展其服务和支持大规模AI/ML工作负载方面非常重视云计算的弹性和可扩展性。
注重高性能计算和GPU优化：GPU编程专家和AI科学家的职位说明中提到需要优化和最大化高端GPU的性能。这表明Mistral AI在推动其AI模型性能极限，尤其是在高性能计算环境中的使用。
人工智能与机器学习的集成和优化：多个职位（如AI解决方案架构师、AI科学家）都要求对AI/ML领域有深入的理解，并且能够将这些技术集成到实际应用中。这表明Mistral AI正在积极推进AI技术在不同领域的应用，并致力于优化其AI模型的实际部署效果。
自动化和可观察性的重要性：站点可靠性工程师和平台工程师职位都强调了自动化、监控和事件响应系统的重要性。公司希望通过这些措施确保其系统的高可用性和可扩展性，减少人为干预的必要性。
重视开发者体验：多个职位（如后端工程师、全栈工程师）都强调了开发者工具的开发和优化，包括性能仪表板和评估界面。这表明Mistral AI致力于为开发者提供友好的开发环境，提升产品的可用性和开发者的生产力。
跨职能协作的需求：无论是收入发展代表还是AI解决方案架构师，这些职位都强调了跨团队合作的重要性。Mistral AI希望员工能够与技术、销售、产品等多方紧密合作，以推动项目成功并优化客户体验。
对AI/ML基础设施的深刻理解：多个职位（如平台工程师、SRE工程师）都要求对AI/ML基础设施有深入的理解，尤其是在云环境下的应用。这显示了Mistral AI对其技术基础设施的高标准，确保其能够支持复杂的AI工作负载。
推动创新和高效推理：推理/C++后端工程师和GPU编程专家职位都强调了优化模型推理和性能的需求。Mistral AI显然在努力推动其模型在实际应用中的效率，特别是在生成式AI领域。
高度重视客户和市场需求：收入发展代表和AI解决方案架构师的职位说明表明，Mistral AI非常重视理解和满足客户需求，尤其是在技术复杂的AI领域。公司希望通过深度的技术理解和市场敏感度来推动业务增长。
总体趋势分析：Mistral AI正在大力推动其在AI/ML领域的技术优势，特别是在高性能计算、云基础设施和分布式系统领域。公司强调全栈开发、自动化和优化，这表明他们在打造一个高效、可扩展的技术平台。同时，公司非常重视市场和客户需求，努力在技术和业务之间取得平衡。通过这些招聘信息可以看出，Mistral AI正在构建一个创新且技术领先的团队，以在快速发展的AI市场中占据有利地位。
代表性10个职位：
1 网页爬虫和索引工程师
- 使用 Python 库（如 Beautiful Soup）开发和维护网络爬虫，以从目标网站提取数据。
- 利用 Chrome DevTools 等无头浏览技术来自动化和优化数据收集流程。
- 与跨职能团队合作，识别、抓取和集成来自 API 的数据，以支持业务目标。
- 使用正则表达式、XPath 和 CSS 选择器创建和实施高效的解析模式，以确保准确的数据提取。
- 使用 Redis、Kubernetes 和 Postgres 等技术设计和管理分布式作业队列，以处理大规模数据处理任务。
- 制定策略，在整个抓取和索引过程中监控和确保数据质量、准确性和完整性。
- 不断改进和优化现有的网络爬虫基础设施，以最大限度地提高效率并适应新的挑战。
2 后端工程师
- 为云部署平台构建和优化后端，该平台集成了我们的开源解决方案，使用户能够在各种应用程序中利用我们的模型。
- 构建强大、可扩展的后端系统，支持将 Mistral AI 模型集成到一系列使用场景中，例如聊天机器人、搜索引擎、文档处理等。
- 实施以开发人员为中心的工具，包括性能仪表板和评估界面，以增强产品交互和监控功能。
- 具有成熟的 Python 经验，专注于 Django 和/或 FastAPI 的后端开发。
- 精通 Postgres 或 Redis 等数据库技术，对优化数据存储和检索操作具有敏锐的眼光。
- 对基础设施、持续集成和持续开发原则有深刻的理解。
- 对将后端开发技能应用于人工智能驱动的解决方案感兴趣，可能涉及大型语言模型。
- 能够独立制定专注于后端系统的顶级解决方案，同时考虑整体用户体验。
- 渴望在动态的发展环境中快速适应新兴技术。
- 渴望深入了解 AI 软件的复杂性，并利用他们的后端开发专业知识为团队做出贡献。
3 全栈工程师
- 使用 Mistral AI 模型开发面向用户的内部和外部应用程序，用于 LLM 支持的各种目的（聊天机器人、搜索引擎、文档回答......
- 使用面向开发人员的工具（例如仪表板、评估界面等）检测 Mistral AI 产品
- 精通全栈开发（Python/Typescript/Javascript）
- 具有强大的自主创建最流畅用户体验的能力，适用于面向开发人员和面向最终用户的产品
- 对前端开发有兴趣和经验，熟练掌握ReactJS、Svelte、Vue.js、HTMX等框架。
- 具有较强的后端开发和云解决方案使用能力
- 对构建基于人工智能的解决方案的兴趣，例如聊天 API、嵌入 API 等
4 收入发展代表（美国市场）
从入站营销来源、产品合格的潜在客户和渠道潜在客户生成管道：
-利用严格的资格标准，利用多渠道策略（电话、电子邮件、社交），有效地确定传入的营销合格潜在客户和产品合格的潜在客户
-与您的企业和中端市场客户经理密切合作，进行交接
-合格的销售线索并创造卓越的客户体验
-构建、部署和改进高效的基于角色的节奏，以培养跨级别的潜在客户并推动转化
-将潜在客户的需求附加到 Mistral 解决方案中，该解决方案可以高层次地满足他们的需求并激发兴趣
-自信地处理所有沟通方式（电子邮件、电话推销、社交）的异议，以推动转化
-使用多渠道和多接触的潜在客户节奏和策略（电子邮件、电话、LinkedIn），始终如一地安排合格的会议，以实现每周、每月和每季度的目标
-利用研究、对关键用例和垂直行业的理解，以及与客户经理合作的开源下载信号，为目标账户制定有效的账户计划
-根据我们的用例和买家角色，确定现有和新的潜在客户
-始终如一地利用 CRM 来跟踪会议和资格认证
-确保 CRM 中强大的数据卫生
-提供有关理想客户资料、角色、用例和潜在客户对营销/产品功能的要求的定性和定量反馈，以不断提高定位和活动效果
-向收入运营部门提供定性和定量反馈，以提高漏斗转化率（包括潜在客户评分）
-有效利用技术实现个性化培养的自动化
-2 +多年的销售开发经验，管理出站和入站漏斗，以在复杂的技术环境（例如AI，数据，企业基础设施）中生成管道：具有开源和PLG模型经验者优先
-有动力和动力在一流的环境中建立销售事业作为美国第一个实地的 RDR，您将需要成为一个快速学习和自主的人
-在多个层面上都具有出色的沟通技巧，包括提出出色的资格问题、有影响力的电梯推销和解决方案介绍、为下一步做好准备的能力。例如。一次会议
-强大的商业头脑：您可以根据您对潜在客户业务及其优先事项的理解来调整您的问题以及如何定位 Mistral 及其解决方案
-你知道如何很好地管理你的时间，以及如何确定你的活动的优先级
-对 AI 充满热情，并始终保持更新并处于领先地位。
- 能够在团队环境中协作你适应能力强，在快节奏的环境中茁壮成长，渴望学习和接受指导
5 站点可靠性工程师
责任
- 确保我们的推理和平台资源始终可用且处于良好状态
- 确保我们的产品可靠，并确保SLA
- 设计、构建和维护可扩展、高度可用和容错的标准和 AI 基础设施，以支持我们的机器学习工作负载和服务
- 实施和改进监控、警报和事件响应系统，以确保最佳系统性能并最大限度地减少停机时间
- 开发和维护有关基础设施设计、流程和最佳实践的综合文档
- 参与待命轮换以响应事件并执行根本原因分析以防止未来发生
- 使用 Kubernetes、Flux、Terraform 等工具推动基础设施自动化、部署和编排的持续改进。
- 与安全团队合作，确保基础设施符合最佳安全实践和合规性要求
- 评估和实施新的工具、技术和流程，以提高我们的人工智能基础设施的效率、可靠性和可扩展性
- 5+年软件工程经验
- 关键技术技能：可观察性/警报/运营维护
- 熟悉裸 Kubernetes/Grafana/Prometheus
- 具有构建跨数据中心和高可用性分布式系统的经验
- 具有毫秒级的分析和优化堆栈的经验
- 良好的编程能力，使用一种语言（Python/Go/C++/Rust）
- 计算机科学、工程或相关领域的硕士学位，或同等经验。
- 作为站点可靠性工程师、DevOps 工程师或类似角色的成熟经验，最好是在以 AI/ML 为中心的环境中。
- 对 AI/ML 基础设施要求有深入的理解
- 具有容器化和编排技术（如 Docker 和 Kubernetes）的经验。
- 熟悉 Terraform 等基础设施即代码工具
- 对 AWS、GCP 或 Azure 等云计算平台有深入的了解。
- 具有监控、日志记录和警报工具（如 Prometheus、Grafana、ELK Stack 等）的经验......
- 较强的问题解决能力，以及在快节奏环境中独立和协作工作的能力。
- 优秀的沟通技巧，包括书面和口头沟通
6 GPU编程专家
- 编写低级代码以充分利用高端 GPU （H100） 并最大化其容量 - 重新思考生成模型架构的各个部分，使其更适合高效推理
- 在高级 MLOps 框架中集成低级高效代码
- 编写自定义 CUDA 内核并将 GPU 推向极限的高技术能力。在当前一代 GPU 集群的分布式计算基础设施方面拥有丰富的专业知识
-对生成式人工智能领域的全面理解，对微调和使用语言模型进行应用程序的知识或兴趣
7 推理/C++ 后端工程师
您的任务将是：
- 构建和优化我们平台的推理骨干。
- 推动微观和巨集基准的获取和自动化。
理想的候选人应具备：
- 在 C++ 和 Python 方面拥有丰富的经验，尤其专注于后端开发和性能优化。
- 对基础设施、持续集成和持续开发原则有深刻的理解。
- 对将后端开发技能应用于人工智能驱动的解决方案感兴趣，涉及大型语言模型。
- 能够独立制定专注于后端系统的顶级解决方案，同时考虑整体用户体验。
- 渴望在动态的发展环境中快速适应新兴技术。
- 渴望深入了解 AI 软件的复杂性，并利用他们的后端开发专业知识为团队做出贡献。
8 平台工程师
作为 ML 平台工程师，您需要在生产系统的日常操作与长期的软件工程改进之间取得平衡，以减少运营工作量并提高这些系统的可靠性、可用性和性能。
- 操作系统并解决生产环境中的问题（中断、随叫随到的响应、用户管理员、数据提取、基础设施扩展等）
- 确保我们的模型训练环境始终具有高可用性，并支持在多个 HPC 集群之间无缝复制工作环境
- 为我们的大型培训运行和面向客户的 API 实施和维护工作流和工具（CI/CD、容器化、编排、监控、日志记录和警报系统）
- 偶尔参加随叫随到的轮换，以解决非工作时间发生的事件
- 与 AI/ML 研究人员合作，开发和实施可实现安全且可重复的模型训练实验的解决方案
- 构建一个与云无关的平台，在科学和基础设施之间提供抽象层
- 设计和开发新的工作流程和工具，以提高我们系统的可靠性、可用性和性能（自动化脚本、重构、基于 API 的新功能、Web 应用程序、仪表板等）
- 确保遵守安全最佳实践和行业标准
- 记录流程和程序，以确保整个团队的一致性和知识共享
- 为开源项目、研究出版物、博客文章、参加会议做出贡献
- 5+多年的DevOps/SRE角色经验
- 在云计算和高可用性分布式系统方面拥有丰富的经验
- 在关键环境中暴露于站点可靠性问题（问题根本原因分析、生产中故障排除、针对可靠性 KPI 工作、参与待命轮换......
- 具有 CI/CD、容器化和编排工具的实践经验
- 了解监控、日志记录、警报和可观察性工具，如 Prometheus、Grafana、ELK Stack 或 Datadog
- 熟悉 Terraform 或 CloudFormation 等基础设施即代码工具
- 熟练掌握 Python、Bash 或 PowerShell 等脚本语言，并了解软件开发最佳实践
- 对网络、安全和系统管理概念有深入的理解
- 出色的解决问题和沟通技巧
- 有上进心，能够在快节奏的创业环境中很好地工作
如果您还具备以下条件，您的申请将更加有趣：
- 具有AI/ML环境经验
- 具有高性能计算 （HPC） 系统和工作负载管理器 （Slurm） 的经验
- 与现代人工智能导向的解决方案合作，如Fluidstack、Coreweave、Vast......
9 AI 解决方案架构师
- 提供技术指导和最佳实践，以便根据客户用例提示、微调和部署我们的模型。
- 定期与产品和技术团队联络，传达反馈并提出改进建议。
- 与基础设施、数据科学和产品团队密切合作，与所有客户（尤其是本地客户）一起成功部署量身定制的产品和用例。
- 与销售团队合作，推进销售渠道，必要时提供技术专长和见解。
- 顶尖工程学院的计算机科学、应用人工智能或应用数学或数据科学学位
- 3+多年的机器学习或深度学习工程师经验
- 对人工智能充满热情，不断保持更新并处于领先地位。
- 在 Python 和软件工程方面有很强的技能 - 具有 MLOps 和大规模部署机器学习用例的经验
- 较强的沟通能力，能够用简单的术语解释复杂的技术概念。
- 2 +多年的客户工程师，前向部署工程师，销售工程师，解决方案架构师的经验
- 具有使用 Python（Langchain、LlamaIndex、SpaCy 等）构建 LLM 应用程序、RAG 或 NLP 产品的经验
10 人工智能科学家
- 修改预先训练的大型语言模型，使其能够与人类交互
- 为大型语言模型配备调用外部工具的能力
- 根据在部署期间获得的反馈对齐大型语言模型，或进行临时注释过程（adhoc annotation）。
- 自行设计临时注释过程。
- 对生成式人工智能领域的高度科学理解。这意味着对人工智能领域的广泛了解，以及对微调和使用语言模型进行应用程序的特定知识或兴趣。
- 高技术工程能力。这意味着能够设计复杂的软件并使其在生产中使用。她能够浏览完整的 MLOps 技术堆栈，重点关注架构开发以及模型评估和使用。她偶尔能够进行前端开发，并且必须完全自主地使用复杂的 HPC 基础设施。
