Leitender Ingenieur für maschinelles Lernen

Über das Unternehmen:
Tools for Humanity (TFH) entwirft und baut die Technologie hinter World. Die Welt baut ein echtes menschliches Netzwerk auf, das die Menschen im Zeitalter der KI voranbringen soll. Da Bots und autonome Agenten das Internet neu gestalten, benötigen Menschen, Institutionen und Anwendungen eine vertrauenswürdige Methode, um zu bestätigen, wer ein echter Mensch ist, und gleichzeitig die Privatsphäre zu wahren. Die TFH- und World-Tech-Stacks machen dies möglich: Der Orb verifiziert echte, einzigartige Personen, World ID weist dies privat nach und World App legt diese und weitere Fähigkeiten in die Hände der Menschen. Gemeinsam fügen sie einem KI-gesteuerten Internet eine menschliche Ebene hinzu.
Die Welt läuft bereits auf globaler Ebene. Mehr als 17 Millionen Menschen in 160 Ländern haben sich mit World ID verifiziert, und jede Woche finden weitere neue Orb-Verifizierungen statt. World App gehört bereits zu den meistgenutzten Wallets weltweit. Entwickler integrieren World ID, um sicherere Online-Erlebnisse zu schaffen und Räume zu schaffen, in denen echte Menschen auf eine Weise teilnehmen, Geld verdienen und anerkannt werden können, die KI einfach nicht reproduzieren kann.
TFH wurde 2019 gegründet und beschäftigt mehr als 400 Mitarbeiter in den Bereichen Hardware, Software, KI, Kryptographie, Mobiltechnik und globale Operationen. Unsere Teams kommen von OpenAI, Tesla, SpaceX, Apple, Google, Stripe, Meta, Coinbase, Palantir und MIT Media Lab. Wir werden von führenden Investoren unterstützt, darunter a16z, Khosla Ventures, Bain Capital Crypto, Blockchain Capital, Variant, Tiger Global und Coinbase Ventures, sowie prominenten Betreibern und Gründern in den Bereichen Fintech und KI.
TFH und World wurden auf dem Cover des TIME Magazine vorgestellt, in Fast Companys Next 5 in Fintech hervorgehoben und in einem Bloomberg Deep Dive untersucht. Die New York Times, Bankless und TechCrunch haben alle unsere gemeinsamen Fortschritte in den Bereichen Identität, Kryptografie, KI und Hardware-Einsatz im globalen Maßstab gewürdigt. Unsere Führung wird auch in die Time AI 100 aufgenommen. Erfahren Sie mehr über die neuesten Produkteinführungen bei unserem Liftoff-Event.
Über das Team
Das AI & Biometrics-Team von Tools for Humanity besitzt die maschinellen Lernsysteme hinter dem World Network. Unsere Iris- und Gesichtserkennungssysteme, unsere Anti-Spoofing-Pipeline und die Modelle, die auf dem Orb und auf Telefonen laufen, sorgen dafür, dass Proof of Personhood tatsächlich in großem Maßstab funktioniert.
Innerhalb des Face-Teams entwickeln wir Systeme zur Gesichtsüberprüfung, Eindeutigkeits- und Duplikaterkennung, Erkennung von Präsentationsangriffen sowie unterstützende Funktionen wie Gesichtserkennung, Bildqualitätsbewertung, Okklusionserkennung, Posenschätzung und andere, die einen zuverlässigen Betrieb dieser Systeme unter realen Bedingungen ermöglichen.
Unsere Arbeit erstreckt sich über den gesamten Lebenszyklus des maschinellen Lernens: Definition von Datenerfassungs- und Kennzeichnungsanforderungen, Kuratierung von Datensätzen, Durchführung angewandter Computer-Vision-Forschung, Schulung und Bewertung von Modellen, kontroverse Tests, Unterstützung der Bereitstellung, Untersuchung des Produktionsverhaltens und Überwachung der Leistung nach der Veröffentlichung.
Die Probleme, an denen wir arbeiten, basieren auf realen Bedingungen. Unsere Systeme müssen mit Variationen bei Kameras, Beleuchtung, Pose, Bildqualität, Okklusion, Benutzerverhalten und Angriffsmethoden umgehen. Sie müssen außerdem strenge Latenz- und Speicherbudgets einhalten und mit datenschutzerhaltenden Systemen (Anonymized Multi-Party Computation) interagieren, die Benutzer mit einem wachsenden Identitätssatz vergleichen. Auf unserer Skala können kleine Regressionen eine bedeutende Auswirkung haben, daher sind Bewertung, Auswahl des Betriebspunkts und Produktionsüberwachung von zentraler Bedeutung für unsere Arbeitsweise.
Wir gehen pragmatisch mit unseren Methoden um. Wir verwenden Deep Learning, wenn es einen klaren Mehrwert bietet, klassische Computer Vision und Bildverarbeitung, wo sie effizienter oder zuverlässiger sind, und hybride Ansätze, wenn sie das beste System hervorbringen.
Das Team wird gut unterstützt. Wir haben ein dediziertes Mobile-Subteam, das für die Bereitstellung auf Mobilgeräten verantwortlich ist, ML-Infrastruktur- und MLOps-Subteams, die für die Datenpipelines, Trainingscluster, die GPU-Flotte und einen Großteil der zugrunde liegenden Tools verantwortlich sind, sowie Face- und Iris-Subteams, die sich jeder Modalität widmen. Damit ihre Projekte erfolgreich sind, stellen sie sich der eigenen Problemformulierung, den Datenanforderungen, den Entscheidungen zur Datenqualität, dem Modellverhalten, der Bewertungsmethodik und der Untersuchung von Modellfehlern. Wir arbeiten auch eng mit den Orb-Teams für Software, Mobile, Proof of Personhood und Produkt zusammen, um Ideen in die Produktion umzusetzen.
In dieser Rolle werden Sie:

• Eigene Machine-Learning-Projekte von der ersten Problemdefinition über die Datenaufbereitung, das Experimentieren, die Bewertung, die Produktionsvalidierung und die Überwachung, während Sie mit verschiedenen Teams zusammenarbeiten.

• Verbessern Sie unsere zentralen biometrischen Identifikations- und Anti-Spoofing-Modelle, trainieren und iterieren Sie Deep-Learning-Architekturen, Verluste und Datenpipelines, wobei Modellgröße, Latenz und Speicherbudgets vom ersten Tag an erstklassige Designbeschränkungen darstellen.

• Nutzen Sie klassische Computer Vision und Bildverarbeitung, wenn sie die richtige Lösung sind, sei es als vollständige Methode, als Vorverarbeitungsstufe, als leichte Komponente auf dem Gerät oder als Diagnosetool. Wir sind kein reines Deep-Learning-Team und die On-Device-Berechnung belohnt die Disziplin, die einfachere Lösung zu verwenden, wenn sie passt.

• Führen Sie unabhängige, angewandte ML-Initiativen durchgängig: Formulieren Sie eine schriftliche Hypothese, entwerfen Sie Ablationen, die Variablen isolieren, führen Sie Experimente durch, lesen Sie die Ergebnisse ehrlich und wissen Sie, wann Sie versenden und wann Sie aufhören müssen, dem letzten Prozentpunkt nachzujagen

• Arbeiten Sie direkt mit Gesichtsbildern und Datensätzen: Verbessern Sie die Sammlung und Beschriftung, prüfen Sie schwierige Proben, identifizieren Sie Fehlerarten und nutzen Sie diese Erkenntnisse, um Modell- und Bewertungsänderungen voranzutreiben.

• Erstellen Sie Bewertungspipelines, die Modellregressionen abfangen, bevor sie in Produktion gehen, und überwachen Sie, dass Datendrift, Änderungen der Punkteverteilung, neue Angriffsmuster, kohortenspezifische Regressionen oder unerwartetes Modellverhalten aufgedeckt werden können, und verbessern Sie interne Tools für Datenanalyse, Modellschulung, Bewertung, Visualisierung, Red Teaming und Überwachung.…

Quelle: Arbeitnow (https://www.arbeitnow.com/jobs/companies/tools-for-humanity/senior-machine-learning-engineer-munich-149730)