Ingénieur senior en apprentissage automatique

À propos de la société :
Tools for Humanity (TFH) conçoit et construit la technologie derrière World. Le monde construit un véritable réseau humain conçu pour accélérer les gens à l’ère de l’IA. Alors que les robots et les agents autonomes remodèlent Internet, les personnes, les institutions et les applications ont besoin d’un moyen fiable pour confirmer qui est un véritable humain tout en préservant la confidentialité. Les piles technologiques TFH et World rendent cela possible : l’Orb vérifie des personnes réelles et uniques, World ID le prouve en privé et World App met ces capacités, et bien plus encore, entre les mains des gens. Ensemble, ils ajoutent une couche humaine à un Internet piloté par l’IA.
Le monde fonctionne déjà à l’échelle mondiale. Plus de 17 millions de personnes dans 160 pays ont vérifié avec World ID, et de nouvelles vérifications Orb ont lieu chaque semaine. World App fait déjà partie des portefeuilles les plus utilisés au monde. Les développeurs intègrent World ID pour créer des expériences en ligne plus sûres et créer des espaces où de vraies personnes peuvent participer, gagner et être reconnues d’une manière que l’IA ne peut tout simplement pas reproduire.
Fondée en 2019, TFH compte plus de 400 personnes dans les domaines du matériel, des logiciels, de l'IA, de la cryptographie, de l'ingénierie mobile et des opérations mondiales. Nos équipes proviennent d'OpenAI, Tesla, SpaceX, Apple, Google, Stripe, Meta, Coinbase, Palantir et MIT Media Lab. Nous sommes soutenus par des investisseurs de premier plan, notamment a16z, Khosla Ventures, Bain Capital Crypto, Blockchain Capital, Variant, Tiger Global et Coinbase Ventures, ainsi que par d'éminents opérateurs et fondateurs des secteurs de la fintech et de l'IA.
TFH et World ont fait la couverture du magazine TIME, ont été mis en avant dans le Next 5 in Fintech de Fast Company et ont été explorés dans une étude approfondie de Bloomberg. Le New York Times, Bankless et TechCrunch ont tous reconnu nos progrès collectifs en matière d'identité, de cryptographie, d'IA et de déploiement de matériel à l'échelle mondiale. Notre leadership est également nommé au Time AI 100. Apprenez-en davantage sur les derniers lancements de produits lors de notre événement Liftoff.
À propos de l'équipe
L'équipe IA et biométrie de Tools for Humanity possède les systèmes d'apprentissage automatique derrière le réseau mondial. Nos systèmes de reconnaissance de l'iris et du visage, notre pipeline anti-usurpation d'identité et les modèles fonctionnant sur Orb et sur les téléphones sont ce qui permet à la preuve de personnalité de fonctionner réellement à grande échelle.
Au sein de l'équipe Face, nous développons des systèmes pour la vérification des visages, la détection de l'unicité et des doublons, la détection des attaques de présentation et des fonctionnalités de support telles que la détection des visages, l'évaluation de la qualité des images, la détection des occlusions, l'estimation de la pose et d'autres qui permettent à ces systèmes de fonctionner de manière fiable dans des conditions réelles.
Notre travail couvre tout le cycle de vie de l'apprentissage automatique : définition des exigences en matière de collecte de données et d'étiquetage, conservation des ensembles de données, conduite de recherches appliquées en vision par ordinateur, formation et évaluation des modèles, tests contradictoires, prise en charge du déploiement, enquête sur le comportement de production et surveillance des performances après la publication.
Les problèmes sur lesquels nous travaillons sont ancrés dans des conditions réelles. Nos systèmes doivent gérer les variations des caméras, de l'éclairage, de la pose, de la qualité de l'image, de l'occlusion, du comportement des utilisateurs et des méthodes d'attaque. Ils doivent également fonctionner dans le cadre de budgets de latence et de mémoire stricts et interagir avec des systèmes préservant la confidentialité (calcul multipartite anonyme) qui comparent les utilisateurs à un ensemble d’identités croissant. À notre échelle, de petites régressions peuvent avoir un impact significatif, c'est pourquoi l'évaluation, la sélection du point de fonctionnement et le suivi de la production sont au cœur de notre façon de travailler.
Nous sommes pragmatiques sur nos méthodes. Nous utilisons l'apprentissage profond lorsqu'il apporte une valeur claire, la vision par ordinateur et le traitement d'images classiques lorsqu'ils sont plus efficaces ou plus fiables, et des approches hybrides lorsqu'ils produisent le meilleur système.
L'équipe est bien accompagnée. Nous avons une sous-équipe mobile dédiée qui gère le déploiement sur les appareils mobiles, des sous-équipes ML Infrastructure et MLOps qui possèdent les pipelines de données, les clusters de formation, la flotte GPU et une grande partie des outils sous-jacents, ainsi que des sous-équipes Face et Iris dédiées à chaque modalité. Les ingénieurs font face à la formulation des problèmes, aux exigences en matière de données, aux décisions en matière de qualité des données, au comportement du modèle, à la méthodologie d'évaluation et à l'enquête sur les échecs du modèle pour que leurs projets réussissent. Nous travaillons également en étroite collaboration avec les équipes Orb Software, Mobile, Proof of Personhood et Product pour mettre les idées en production.
Dans ce rôle, vous :

• Posséder des projets d'apprentissage automatique du visage depuis la définition initiale du problème jusqu'à la préparation des données, l'expérimentation, l'évaluation, la validation de la production et la surveillance, tout en travaillant en partenariat avec différentes équipes.

• Améliorer nos principaux modèles d'identification biométrique et anti-usurpation d'identité, en formant et en itérant sur les architectures d'apprentissage profond, les pertes et les pipelines de données, avec la taille du modèle, la latence et les budgets de mémoire comme contraintes de conception de premier ordre dès le premier jour.

• Utilisez la vision par ordinateur et le traitement d'images classiques lorsqu'ils constituent la bonne solution, que ce soit en tant que méthode complète, étape de prétraitement, composant léger intégré à l'appareil ou outil de diagnostic. Nous ne sommes pas une équipe uniquement axée sur l'apprentissage profond, et le calcul sur appareil récompense la discipline consistant à utiliser la solution la plus légère lorsqu'elle convient.

• Diriger des initiatives indépendantes de ML appliqué de bout en bout : formuler une hypothèse écrite, concevoir des ablations qui isolent les variables, mener des expériences, lire les résultats honnêtement et savoir quand expédier et quand arrêter de rechercher le dernier point de pourcentage.

• Travaillez directement avec des images de visage et des ensembles de données : améliorez la collecte et les étiquettes, inspectez des échantillons difficiles, identifiez les modes de défaillance et utilisez ces résultats pour piloter les modifications du modèle et de l'évaluation.

• Créer des pipelines d'évaluation qui détectent les régressions du modèle avant qu'elles n'atteignent la production, une surveillance qui peut révéler une dérive des données, des changements de distribution des scores, de nouveaux modèles d'attaque, des régressions spécifiques à une cohorte ou un comportement inattendu du modèle, et améliorer les outils internes pour l'analyse des données, la formation des modèles, l'évaluation, la visualisation, l'équipe rouge et la surveillance.…

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