Starszy inżynier ds. systemów uczenia maszynowego

Hims & Hers to wiodąca platforma zajmująca się zdrowiem i dobrym samopoczuciem, której misją jest pomaganie światu w doskonałym samopoczuciu dzięki mocy lepszego zdrowia. Na nowo definiujemy opiekę zdrowotną, stawiając klienta na pierwszym miejscu i zapewniając dostęp do opieki, która jest niedroga, dostępna i spersonalizowana, od diagnozy, przez leczenie, aż po poród. Nie ma dwóch takich samych osób, dlatego zapewniamy dostęp do spersonalizowanej opieki zaprojektowanej z myślą o wynikach. Normalizując wyzwania związane ze zdrowiem i dobrym samopoczuciem oraz wprowadzając innowacje w zakresie ich rozwiązań, ułatwiamy osiągnięcie lepszych wyników zdrowotnych.

Hims & Hers jest spółką publiczną notowaną na giełdzie nowojorskiej pod symbolem „HIMS”. Aby dowiedzieć się więcej o marce i ofercie, odwiedź hims.com/about i hims.com/how-it-works. Informacje na temat wyjątkowych korzyści, kultury firmy oraz jej elastycznego podejścia do pracy zdalnej i skupiającej się na talentach można znaleźć poniżej i odwiedzić stronę www.hims.com/careers-professionals.

O roli:

Jak sprawić, by zaawansowana sztuczna inteligencja/uczenie się była nie tylko potężna, ale także wystarczająco godna zaufania, aby działać w regulowanym środowisku opieki zdrowotnej? Poszukujemy starszego inżyniera, który będzie w stanie odpowiedzieć na to pytanie od początku do końca: potoki danych, które zasilają nasze modele i oceny, oraz infrastruktura oceny – sędziowie, osoby oceniające, bramki regresji statystycznej, testy zespołu czerwonego – która decyduje, czy modele sztucznej inteligencji są skuteczne i bezpieczne w dostarczaniu pacjentom.

Jest to rola przywódcza dla kogoś, kto swobodnie radzi sobie w różnych dyscyplinach. Wyznaczysz kierunek techniczny dotyczący sposobu, w jaki budujemy, wersjonujemy i ufamy danym oraz osądom, na podstawie których oceniane są nasze produkty AI. Twój zakres rozszerzy się od pozyskiwania surowych danych i potoków funkcji/zestawów danych, poprzez metodologię oceny i rygor statystyczny, aż po powierzchnie raportowania, które pozwolą zespołom klinicznym i produktowym działać na podstawie zdobytych wiedzy.

Większość czasu spędzisz na problemach, które nie mają istniejącego podręcznika: niejednoznacznych, obejmujących wiele zespołów i naprawdę trudnych do uzasadnienia. Zadanie polega na wyjaśnieniu tej dwuznaczności, wytyczeniu ścieżki, którą może podążać reszta zespołu i organizacji, i przeprowadzeniu jej od pomysłu do produkcji, budowaniu relacji i akceptacji po drodze, aby wszystko się trzymało.

Będziesz:

Należy przyjąć ocenę jako całość, a nie tylko jej wycinek

•
Wyznacz kierunek techniczny dla naszych systemów oceny; projekt wskaźników, sędziów i strzelców, metodologia statystyczna leżąca u podstaw decyzji regresyjnych oraz infrastruktura śledząca i kategoryzująca niepowodzenia w czasie.

•
Projektuj i skaluj potoki danych — pozyskiwanie, transformacja, wersjonowanie zbiorów danych, etykietowanie i kalibracja — od których zależy zarówno ocena, jak i dalsze prace związane z analizą danych.

•
Proaktywnie podchodź do wyzwań związanych ze skalowaniem i oceną złożoności sztucznej inteligencji.

Kieruj projektami obejmującymi zespoły i kwartały

•
Zdefiniuj od podstaw, w jaki sposób oceniamy każdą nową usługę AI. Prowadź inicjatywy wielozespołowe, takie jak zastąpienie ręcznych, niespójnych procesów przeglądu statystycznie solidnymi, zautomatyzowanymi bramkami.

•
Stosuj nasze podejście do oceny kontradyktoryjnej i oceny zespołu czerwonego jako programu redukcji ryzyka, projektując zestawy testów i taksonomie błędów, które wychwytują problemy dotyczące bezpieczeństwa i przypadki skrajne, zanim dotrą do pacjentów.

•
Rozwiązuj złożone spory techniczne między zespołami i kieruj działaniami liderów inżynierii, produktów i sztucznej inteligencji.

Zamień trudne, niejednoznaczne problemy w rozwiązania, na których mogą bazować inne zespoły

•
Twórz nowe podejścia i metodologię, które staną się standardem wielokrotnego użytku, a nie jednorazowym rozwiązaniem.

•
Uwzględnij niejasne, problematyczne kwestie występujące w różnych zespołach („robimy to ręcznie i jest to niespójne”) od wstępnego pomysłu do w pełni określonego, dostarczonego systemu, bez konieczności przekazywania jakiejkolwiek części procesu.

•
Kieruj głównymi ulepszeniami platformy; przeprojektowanie podstawowych systemów, usunięcie kruchej logiki, unowocześnienie sposobu działania, co będzie miało wpływ na całą organizację, a nie tylko na Twój własny zespół.

Rozwijaj ludzi i sieć wokół siebie

•
Buduj prawdziwe relacje robocze w zakresie inżynierii uczenia maszynowego, nauki o danych, inżynierii platform, zagadnień klinicznych, prawnych i produktowych. To rodzaj zaufania, które pozwoli Ci zaangażować się na wczesnym etapie, zanim zostaną podjęte decyzje.

•
Zostań głównym głosem w sprawie metodologii ewaluacji i projektowania potoku danych: dziel się tym, czego się nauczyłeś podczas wewnętrznych rozmów, zapisuj rzeczy, aby inne zespoły mogły z nich skorzystać i oczekuj, że Twoje pomysły wpłyną na sposób, w jaki inni podchodzą do podobnych problemów.

•
Bądź mentorem dla innych inżynierów, także tych doświadczonych, i pomóż podnosić poprzeczkę techniczną i statystyczną zespołów, z którymi współpracujesz.

Masz:

•
Ponad 10 lat doświadczenia w infrastrukturze uczenia maszynowego, inżynierii danych lub systemach oceny/testowania, z udokumentowanym doświadczeniem wykraczającym poza pojedynczy zespół lub projekt.

•
Praktyczna wiedza o systemach oceny: projektowanie i kalibracja sędziów/punktatorów LLM, budowanie statystycznie rzetelnej metodologii testów regresyjnych (np. testowanie istotności w parach z odpowiednią korektą dla wielokrotnych porównań), mierzenie zgodności z ludzkimi etykietami oraz projektowanie podejść do oceny kontradyktoryjnej/czerwonej drużyny.

•
Praktyczna wiedza z zakresu inżynierii potoków danych: wersjonowanie zbiorów danych, potoki funkcji i testów porównawczych, przepływy pracy związane z etykietowaniem i kalibracją oraz wysokoprzepustowe systemy pozyskiwania i transformacji.

•
Historia budowania rzeczy, które stały się standardowym podejściem dla innych – nie tylko rozwiązywania własnego problemu, ale zmiany sposobu, w jaki szersza grupa ludzi radzi sobie z określoną kategorią problemu.

•
Doświadczenie w prowadzeniu projektów wielozespołowych do ukończenia, w tym w nawigacji i rozwiązywaniu rzeczywistych sporów technicznych po drodze.

•
Doświadczenie w doradzaniu innym inżynierom, w tym starszym, i widocznie podnoszącym poprzeczkę dla otaczających Cię zespołów.

•
Doskonała komunikacja — wygodne dostosowywanie tego samego pomysłu do różnych odbiorców i pewne budowanie wsparcia dla niego na długo przed premierą.

•
Silny język Python i wystarczająca płynność statystyczna, aby zaprojektować i obronić środowisko testowe, na którym opierają się rzeczywiste decyzje produkcyjne.

Miło mieć:…

Źródło: Jobicy (https://jobicy.com/jobs/154909-sr-staff-machine-learning-systems-engineer)