Starszy inżynier uczenia maszynowego

O firmie:
Tools for Humanity (TFH) projektuje i buduje technologię stojącą za światem. Świat buduje prawdziwą ludzką sieć mającą na celu przyspieszenie ludzi w dobie sztucznej inteligencji. Ponieważ boty i autonomiczni agenci zmieniają Internet, ludzie, instytucje i aplikacje potrzebują niezawodnego sposobu na potwierdzenie, kto jest prawdziwym człowiekiem, przy jednoczesnym zachowaniu prywatności. Dzięki stosom technologii TFH i World jest to możliwe: Kula weryfikuje prawdziwych, wyjątkowych ludzi, World ID potwierdza to prywatnie, a aplikacja World App oddaje te i więcej możliwości w ręce ludzi. Razem dodają warstwę ludzką do Internetu opartego na sztucznej inteligencji.
Świat już działa w skali globalnej. Ponad 17 milionów ludzi w 160 krajach zweryfikowało się za pomocą World ID, a co tydzień odbywa się więcej nowych weryfikacji Orb. World App jest już jednym z najczęściej używanych portfeli na świecie. Programiści integrują World ID, aby tworzyć bezpieczniejsze doświadczenia online i tworzyć przestrzenie, w których prawdziwi ludzie mogą uczestniczyć, zarabiać i być rozpoznawalnym w sposób, którego sztuczna inteligencja po prostu nie jest w stanie odtworzyć.
Założona w 2019 roku firma TFH zatrudnia ponad 400 osób zajmujących się sprzętem, oprogramowaniem, sztuczną inteligencją, kryptografią, inżynierią mobilną i operacjami globalnymi. Nasze zespoły pochodzą z OpenAI, Tesla, SpaceX, Apple, Google, Stripe, Meta, Coinbase, Palantir i MIT Media Lab. Wspierają nas wiodący inwestorzy, w tym a16z, Khosla Ventures, Bain Capital Crypto, Blockchain Capital, Variant, Tiger Global i Coinbase Ventures, a także wybitni operatorzy i założyciele branży fintech i sztucznej inteligencji.
TFH i World pojawiły się na okładce magazynu TIME, wyróżnione w rankingu Fast Company Next 5 w branży Fintech i szczegółowo omówione w Bloomberg. „The New York Times”, „Bankless” i „TechCrunch” doceniły nasz wspólny postęp w zakresie tożsamości, kryptografii, sztucznej inteligencji i wdrażania sprzętu na skalę globalną. Nasze kierownictwo zostało również wyróżnione w rankingu Time AI 100. Dowiedz się więcej o najnowszych produktach z naszego wydarzenia Liftoff.
O zespole
Zespół AI i biometrii w Tools for Humanity jest właścicielem systemów uczenia maszynowego stojących za World Network. Nasze systemy rozpoznawania tęczówki i twarzy, nasz system zapobiegania fałszowaniu oraz modele działające na Orbie i telefonach sprawiają, że Proof of Personhood faktycznie działa na dużą skalę.
W ramach zespołu Face rozwijamy systemy weryfikacji twarzy, wykrywania unikalności i duplikatów, wykrywania ataków prezentacyjnych oraz możliwości wspierających, takich jak wykrywanie twarzy, ocena jakości obrazu, wykrywanie okluzji, szacowanie pozy i inne, które pozwalają tym systemom niezawodnie działać w warunkach rzeczywistych.
Nasza praca obejmuje pełny cykl życia uczenia maszynowego: definiowanie wymagań dotyczących gromadzenia i etykietowania danych, kuratorowanie zbiorów danych, prowadzenie badań stosowanych w zakresie widzenia komputerowego, szkolenie i ocena modeli, testowanie kontradyktoryjne, wspieranie wdrażania, badanie zachowań produkcyjnych i monitorowanie wydajności po wydaniu.
Problemy, nad którymi pracujemy, mają podłoże w rzeczywistych warunkach. Nasze systemy muszą obsługiwać różnice w kamerach, oświetleniu, pozie, jakości obrazu, okluzji, zachowaniu użytkownika i metodach ataku. Muszą także działać w ramach ścisłych budżetów na opóźnienia i pamięć oraz współdziałać z systemami chroniącymi prywatność (anonimowe obliczenia wielostronne), które porównują użytkowników z rosnącym zestawem tożsamości. W naszej skali małe regresje mogą mieć znaczący wpływ, dlatego ocena, wybór punktu operacyjnego i monitorowanie produkcji mają kluczowe znaczenie dla naszej pracy.
Podchodzimy pragmatycznie do naszych metod. Stosujemy głębokie uczenie się tam, gdzie zapewnia wyraźną wartość, klasyczną wizję komputerową i przetwarzanie obrazu, gdzie są bardziej wydajne i niezawodne, oraz podejścia hybrydowe, gdy tworzą najlepszy system.
Zespół ma dobre wsparcie. Mamy dedykowany podzespół mobilny odpowiedzialny za wdrażanie na urządzeniach mobilnych, podzespoły ML Infrastructure i MLOps, które są właścicielami potoków danych, klastrów szkoleniowych, floty procesorów graficznych i większości podstawowego narzędzia, a także podzespoły Face i Iris zajmujące się każdą modalnością. Inżynierowie firmy Face mają własne formułowanie problemów, wymagania dotyczące danych, decyzje dotyczące jakości danych, zachowanie modelu, metodologię oceny i badanie błędów modeli, aby ich projekty zakończyły się sukcesem. Ściśle współpracujemy również z zespołami zajmującymi się oprogramowaniem Orb, urządzeniami mobilnymi, dokumentacją tożsamości i produktami, aby wdrażać pomysły do ​​produkcji.
W tej roli będziesz:

• Własne projekty uczenia maszynowego, począwszy od wstępnego zdefiniowania problemu, poprzez przygotowanie danych, eksperymentowanie, ocenę, walidację produkcji i monitorowanie, przy współpracy z różnymi zespołami.

• Udoskonalaj nasze podstawowe modele identyfikacji biometrycznej i zapobiegania fałszowaniu, szkolenia i iteracje w zakresie architektur głębokiego uczenia się, strat i potoków danych, uwzględniając rozmiar modelu, opóźnienia i budżety pamięci jako pierwszorzędne ograniczenia projektowe od pierwszego dnia.

• Stosuj klasyczną wizję komputerową i przetwarzanie obrazu, jeśli są one właściwym rozwiązaniem, czy to jako kompletna metoda, etap wstępnego przetwarzania, lekki komponent na urządzeniu czy narzędzie diagnostyczne. Nie jesteśmy zespołem zajmującym się wyłącznie głębokim uczeniem się, a obliczenia na urządzeniach nagradzają dyscyplinę polegającą na korzystaniu z lżejszych rozwiązań, gdy pasują.

• Prowadzić niezależne inicjatywy w zakresie stosowania uczenia maszynowego od początku do końca: formułować pisemne hipotezy, projektować ablacje, które izolują zmienne, przeprowadzać eksperymenty, uczciwie czytać wyniki i wiedzieć, kiedy wysłać przesyłkę, a kiedy przestać gonić za ostatnim punktem procentowym

• Pracuj bezpośrednio z wizerunkami twarzy i zbiorami danych: ulepszaj gromadzenie i etykietowanie, sprawdzaj trudne próbki, identyfikuj przyczyny awarii i wykorzystuj te ustalenia do wprowadzania zmian w modelu i ocenie.

• Twórz potoki oceny, które wychwytują regresje modelu, zanim trafią one do produkcji, monitorowanie, które może ujawnić dryf danych, zmiany w dystrybucji wyników, nowe wzorce ataków, regresje specyficzne dla kohorty lub nieoczekiwane zachowanie modelu, a także ulepszaj wewnętrzne narzędzia do analizy danych, uczenia modeli, oceny, wizualizacji, tworzenia zespołów red team i monitorowania.

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