Ingeniero sénior de aprendizaje automático

Acerca de la empresa:
Tools for Humanity (TFH) diseña y construye tecnología detrás de World. El mundo está construyendo una red humana real diseñada para acelerar a las personas en la era de la IA. A medida que los bots y los agentes autónomos remodelan Internet, las personas, las instituciones y las aplicaciones necesitan una forma confiable de confirmar quién es un ser humano real y al mismo tiempo preservar la privacidad. Las pilas de tecnología TFH y World hacen esto posible: Orb verifica personas reales y únicas, World ID lo demuestra de forma privada y World App pone estas capacidades, y más, en manos de las personas. Juntos, añaden una capa humana a una Internet impulsada por la IA.
El mundo ya está funcionando a escala global. Más de 17 millones de personas en 160 países se han verificado con World ID y cada semana se realizan más verificaciones de Orb. World App ya se encuentra entre las billeteras más utilizadas a nivel mundial. Los desarrolladores están integrando World ID para crear experiencias en línea más seguras y crear espacios donde personas reales puedan participar, ganar y ser reconocidas de maneras que la IA simplemente no puede replicar.
Fundada en 2019, TFH cuenta con más de 400 personas en hardware, software, inteligencia artificial, criptografía, ingeniería móvil y operaciones globales. Nuestros equipos provienen de OpenAI, Tesla, SpaceX, Apple, Google, Stripe, Meta, Coinbase, Palantir y MIT Media Lab. Contamos con el respaldo de inversores líderes, incluidos a16z, Khosla Ventures, Bain Capital Crypto, Blockchain Capital, Variant, Tiger Global y Coinbase Ventures, así como destacados operadores y fundadores de fintech e inteligencia artificial.
TFH y World aparecieron en la portada de la revista TIME, se destacaron en Next 5 in Fintech de Fast Company y se exploraron en una inmersión profunda de Bloomberg. The New York Times, Bankless y TechCrunch han reconocido nuestro progreso colectivo en identidad, criptografía, inteligencia artificial y despliegue de hardware a escala global. Nuestro liderazgo también recibe el nombre de Time AI 100. Obtenga más información sobre los lanzamientos de productos más recientes en nuestro evento Liftoff.
Sobre el equipo
El equipo de IA y biometría de Tools for Humanity es propietario de los sistemas de aprendizaje automático detrás de World Network. Nuestros sistemas de reconocimiento facial y de iris, nuestro sistema anti-suplantación de identidad y los modelos que se ejecutan en Orb y en los teléfonos son los que hacen que la Prueba de personalidad realmente funcione a escala.
Dentro del equipo de Face, desarrollamos sistemas para verificación de rostros, detección de unicidad y duplicados, detección de ataques de presentación y capacidades de soporte como detección de rostros, evaluación de la calidad de la imagen, detección de oclusión, estimación de pose y otras que permiten que estos sistemas funcionen de manera confiable en condiciones del mundo real.
Nuestro trabajo abarca todo el ciclo de vida del aprendizaje automático: definir requisitos de etiquetado y recopilación de datos, seleccionar conjuntos de datos, realizar investigaciones de visión por computadora aplicada, entrenar y evaluar modelos, realizar pruebas adversas, respaldar la implementación, investigar el comportamiento de producción y monitorear el rendimiento después del lanzamiento.
Los problemas en los que trabajamos se basan en condiciones del mundo real. Nuestros sistemas deben manejar variaciones en las cámaras, la iluminación, la pose, la calidad de la imagen, la oclusión, el comportamiento del usuario y los métodos de ataque. También deben operar dentro de estrictos presupuestos de latencia y memoria e interactuar con sistemas que preservan la privacidad (computación multipartita anónima) que comparan a los usuarios con un conjunto de identidades en crecimiento. A nuestra escala, las pequeñas regresiones pueden tener un impacto significativo, por lo que la evaluación, la selección del punto operativo y el monitoreo de la producción son fundamentales para nuestra forma de trabajar.
Somos pragmáticos con nuestros métodos. Utilizamos el aprendizaje profundo cuando proporciona un valor claro, la visión por computadora clásica y el procesamiento de imágenes cuando son más eficientes o confiables, y enfoques híbridos cuando producen el mejor sistema.
El equipo está bien apoyado. Contamos con un subequipo móvil dedicado que se encarga de la implementación en dispositivos móviles, subequipos de infraestructura de aprendizaje automático y MLOps que son propietarios de las canalizaciones de datos, los grupos de entrenamiento, la flota de GPU y gran parte de las herramientas subyacentes, y los subequipos Face e Iris dedicados a cada modalidad. Enfrente a los ingenieros a la formulación de problemas, los requisitos de datos, las decisiones sobre la calidad de los datos, el comportamiento del modelo, la metodología de evaluación y la investigación de las fallas del modelo para que sus proyectos tengan éxito. También trabajamos en estrecha colaboración con los equipos de software, dispositivos móviles, prueba de personalidad y producto de Orb para llevar las ideas a producción.
En este rol, usted:

• Proyectos propios de aprendizaje automático desde la definición inicial del problema hasta la preparación de datos, experimentación, evaluación, validación de producción y monitoreo, mientras se asocia con diferentes equipos.

• Mejorar nuestros principales modelos de identificación biométrica y antisuplantación de identidad, capacitación e iteración en arquitecturas de aprendizaje profundo, pérdidas y canalizaciones de datos, con el tamaño del modelo, la latencia y los presupuestos de memoria como limitaciones de diseño de primera clase desde el primer día.

• Utilice la visión por computadora clásica y el procesamiento de imágenes cuando sean la solución adecuada, ya sea como un método completo, una etapa de preprocesamiento, un componente liviano en el dispositivo o una herramienta de diagnóstico. No somos un equipo exclusivo de aprendizaje profundo, y la computación en el dispositivo recompensa la disciplina de utilizar la solución más liviana cuando corresponde.

• Liderar iniciativas independientes de aprendizaje automático aplicadas de principio a fin: formar una hipótesis escrita, diseñar ablaciones que aíslen variables, ejecutar experimentos, leer los resultados honestamente y saber cuándo enviar y cuándo dejar de perseguir el último punto porcentual.

• Trabaje directamente con imágenes de rostros y conjuntos de datos: mejore la recopilación y las etiquetas, inspeccione muestras difíciles, identifique modos de falla y utilice esos hallazgos para impulsar cambios en el modelo y la evaluación.

• Construir canales de evaluación que detecten las regresiones de los modelos antes de que lleguen a producción, monitoreo que pueda revelar desvíos de datos, cambios en la distribución de puntajes, nuevos patrones de ataque, regresiones específicas de cohortes o comportamientos inesperados del modelo, y mejorar las herramientas internas para el análisis de datos, el entrenamiento de modelos, la evaluación, la visualización, la formación de equipos rojos y el monitoreo....

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