Kıdemli Personel Makine Öğrenimi Sistemleri Mühendisi

Hims & Hers, daha iyi sağlığın gücüyle dünyanın harika hissetmesine yardımcı olma misyonuyla önde gelen sağlık ve sağlıklı yaşam platformudur. Müşteriyi ilk sıraya koyarak ve teşhisten tedaviye ve teslimata kadar uygun fiyatlı, erişilebilir ve kişisel bakıma erişim sağlayarak sağlık hizmetini yeniden tanımlıyoruz. Hiçbir insan birbirinin aynısı değildir, bu nedenle sonuç almak için tasarlanmış kişiselleştirilmiş bakıma erişim sağlıyoruz. Sağlık ve sağlıklı yaşam zorluklarını normalleştirerek ve çözümlerinde yenilikler yaparak, daha iyi sağlık sonuçlarına ulaşmayı kolaylaştırıyoruz.

Hims & Hers, NYSE'de "HIMS" sembolü altında işlem gören halka açık bir şirkettir. Marka ve teklifler hakkında daha fazla bilgi edinmek için hims.com/about ve hims.com/how-it-works adreslerini ziyaret edebilirsiniz. Şirketin olağanüstü avantajları, kültürü ve önce yetenek odaklı esnek/uzaktan çalışma yaklaşımı hakkında bilgi edinmek için aşağıya bakın ve www.hims.com/careers-professionals adresini ziyaret edin.

Rol Hakkında:

Gelişmiş AI/ML'yi yalnızca güçlü değil aynı zamanda düzenlemeye tabi bir sağlık hizmeti ortamında çalışacak kadar güvenilir hale nasıl getirebiliriz? Bu soruyu uçtan uca ele alabilecek bir Kıdemli Personel mühendisi arıyoruz: modellerimizi ve değerlendirmelerimizi besleyen veri hatları ve yapay zeka modellerinin hastalara gönderilmesinin etkili ve güvenli olup olmadığına karar veren değerlendirme altyapısı (yargıçlar, puanlayıcılar, istatistiksel regresyon kapıları, kırmızı takım testleri).

Bu, disiplinler arası rahatça çalışan biri için bir liderlik rolüdür. Yapay zeka ürünlerimizin değerlendirildiği verileri ve kararları nasıl oluşturacağımıza, sürümlendireceğimize ve bunlara nasıl güveneceğimize ilişkin teknik yönlendirmeyi siz belirleyeceksiniz. Kapsamınız, ham veri alımından ve özellik/veri kümesi ardışık düzenlerinden, değerlendirme metodolojisi ve istatistiksel titizlik yoluyla, klinik ve ürün ekiplerinin öğrendiklerimiz üzerinde hareket etmesine olanak tanıyan raporlama yüzeylerine kadar genişleyecektir.

Zamanınızın çoğunu mevcut bir taktik kitabı olmayan problemlere harcayacaksınız: belirsiz, takımlar arası ve akıl yürütmesi gerçekten zor. İş, bu belirsizliğe açıklık getirmek, ekibin ve organizasyonun geri kalanının izleyebileceği bir yol çizmek ve bunu fikirden üretime kadar görmek, ilişkileri kurmak ve bu yolda kalıcılığı sağlamak.

Yapacaklarınız:

Değerlendirmenin yalnızca bir kısmına değil, bir bütün olarak sahip olun

•
Değerlendirme sistemlerimizin teknik yönünü belirlemek; metrik, hakem ve puanlayıcı tasarımı, regresyon kararlarının ardındaki istatistiksel metodoloji ve zaman içinde başarısızlıkları izleyen ve kategorize eden altyapı.

•
Hem değerlendirme hem de aşağı yönlü veri bilimi çalışmalarının bağlı olduğu veri işlem hatlarını (alım, dönüştürme, veri kümesi sürüm oluşturma, etiketleme ve kalibrasyon iş akışları) tasarlayın ve ölçeklendirin.

•
Ölçeklendirme ve karmaşıklık yapay zeka değerlendirmesindeki zorlukları proaktif bir şekilde ele alın.

Ekipleri ve çeyrekleri kapsayan projelere liderlik edin

•
Herhangi bir yeni yapay zeka hizmetini sıfırdan nasıl değerlendireceğimizi tanımlayın. Manuel, tutarsız inceleme süreçlerini istatistiksel açıdan sağlam, otomatikleştirilmiş geçitlerle değiştirmek gibi çok ekipli girişimleri teşvik edin.

•
Bir risk azaltma programı olarak çekişmeli ve kırmızı takım değerlendirmesine yönelik yaklaşımımızı sahiplenin; güvenlik ve son durum sorunlarını hastalara ulaşmadan önce yakalayan test paketlerini ve başarısızlık sınıflandırmalarını tasarlayın.

•
Ekipler arası karmaşık teknik anlaşmazlıkların üstesinden gelin ve mühendislik, ürün ve yapay zeka liderleri arasında uyumun sağlanmasını teşvik edin.

Zor ve belirsiz sorunları diğer ekiplerin geliştirebileceği çözümlere dönüştürün

•
Tek seferlik bir düzeltme yerine yeniden kullanılabilir bir standart haline gelen yeni yaklaşımlar ve metodolojiler yaratın.

•
Yolculuğun herhangi bir bölümünü devretmeye gerek kalmadan, kaba bir fikirden tam olarak belirlenmiş, sevk edilmiş bir sisteme kadar belirsiz, ekipler arası sıkıntı noktalarını ("bunu manuel olarak yapıyoruz ve tutarsız") ele alın.

•
Önemli platform iyileştirmelerine liderlik etmek; Temel sistemleri yeniden tasarlamak, kırılgan mantığı ortadan kaldırmak, yalnızca kendi ekibinizde değil, kuruluş çapında hissedilen bir etkiyle işlerin yürüme biçimini modernleştirmek.

Çevrenizdeki insanları ve ağı büyütün

•
Kararlar kesinleşmeden önce, makine öğrenimi mühendisliği, veri bilimi, platform mühendisliği, klinik, hukuk ve ürün genelinde gerçek çalışma ilişkileri oluşturun; bu tür bir güven, erkenden devreye girmenizi sağlar.

•
Değerlendirme metodolojisi ve veri hattı tasarımı konusunda başvurulacak ses olun: şirket içi görüşmelerde öğrendiklerinizi paylaşın, diğer ekiplerin kullanabilmesi için bir şeyler yazın ve fikirlerinizin, başkalarının benzer sorunlara nasıl yaklaşacağını şekillendirmesini bekleyin.

•
Deneyimli olanlar da dahil olmak üzere diğer mühendislere mentorluk yapın ve birlikte çalıştığınız ekiplerin teknik ve istatistiksel çıtasını yükseltmeye yardımcı olun.

Sahip olduğunuz:

•
Tek bir ekibin veya projenin ötesine geçen etki geçmişine sahip, makine öğrenimi altyapısı, veri mühendisliği veya değerlendirme/test sistemlerinde 10 yıldan fazla deneyim.

•
Değerlendirme sistemlerinde uygulamalı derinlik: LLM hakemlerinin/puanlayıcılarının tasarlanması ve kalibre edilmesi, istatistiksel olarak sağlam regresyon testi metodolojisinin oluşturulması (örneğin, çoklu karşılaştırmalar için uygun düzeltme ile eşleştirilmiş anlamlılık testi), insan etiketlerine karşı anlaşmanın ölçülmesi ve rakip/kırmızı takım değerlendirme yaklaşımlarının tasarlanması.

•
Veri hattı mühendisliğinde uygulamalı derinlik: veri kümesi sürüm oluşturma, özellik ve karşılaştırma hatları, etiketleme ve kalibrasyon iş akışları ve yüksek verimli alım ve dönüştürme sistemleri.

•
Başkaları için standart yaklaşım haline gelen şeyler inşa etme geçmişi; yalnızca kendi sorununuzu çözmekle kalmayıp, daha geniş bir grup insanın belirli bir sorun kategorisiyle başa çıkma biçimini de değiştirmek.

•
Yol boyunca gerçek teknik anlaşmazlıkları yönlendirmek ve çözmek de dahil olmak üzere, çok ekipli projelerin tamamlanmasına liderlik etme deneyimini yaşayın.

•
Kıdemli olanlar da dahil olmak üzere diğer mühendislere mentorluk yapma ve çevrenizdeki ekipler için çıtayı gözle görülür şekilde yükseltme konusunda bir geçmiş performans.

•
Mükemmel iletişim — aynı fikri farklı hedef kitlelere rahatlıkla uyarlama ve lansmandan çok önce bu fikir için kendinden emin bir destek oluşturma.

•
Güçlü Python ve gerçek üretim kararlarının dayandığı bir test çerçevesi tasarlamak ve savunmak için yeterli istatistiksel akıcılık.

Sahip olmak güzel:…

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