Senior adattudós (ágens-alapú MI-rendszerek)

Stack

Feladatok

• ▹Ágens-alapú MI-rendszerek építése ritkabetegség-kutatási munkafolyamatokhoz: a beszélgetéslogika, az információgyűjtés elégségességét eldöntő szabályok és a megerősítő lépések, amelyek még a lefelé irányuló feldolgozás előtt elkapják a félreértéseket
• ▹Kimenetek modellezése Pydanticban, strukturált kimenet és tool calling használata, hogy a modell minden mezője típusos, validált és a forrásig visszakövethető legyen
• ▹A klinikai és tudományos gondolkodási feladatok mögötti promptok írása, verziózása és regressziós tesztelése; a promptokat és kimeneti sémákat kódként kezelve, hozzájuk illő tesztekkel
• ▹Kiértékelés építése olyan feladatokhoz, amelyeknek nincs egyetlen helyes válaszuk: golden setek, offline regressziós csomagok és modellalapú értékelők, amelyek alapján eldönthető, mi kerülhet élesbe
• ▹Többlépéses LLM-munkafolyamatok reszponzívan tartása terhelés alatt: aszinkron tervezés, párhuzamossági korlátok, részeredmények streamelése a kliensnek, időtúllépés- és hibakezelés
• ▹A rendszer működésének és döntései okának naplózása: kérésazonosítók, késleltetés, hibák és az egyes automatikus döntések indoklása, hogy a munkatársak felülvizsgálhassák az MI-támogatott eredményt
• ▹A kutatók, klinikusok és betegközösségek igényeinek feltárása, és lefordítása adatmodellekre és rendszerviselkedésre
• ▹Közreműködés kéziratokban, konferencia-absztraktokban és posztereken az NIH kutatóival, szerzőként feltüntetve
• ▹Nagyobb komponensek birtoklása a tervezéstől a telepítésig, és a csapat MI-alkalmazási mérnöki standardjainak alakítása

Elvárások

• ▹Adattudományi, informatikai, bioinformatikai, biomedikai informatikai vagy rokon területű alapdiploma (haladó fokozat előnyben; egyenértékű szakmai tapasztalat is elfogadható)
• ▹Legalább 5 év éles szoftver- vagy adatrendszerek építése és üzemeltetése, ebből legalább 2 év olyan LLM-alapú alkalmazások szállítása (ágensek, visszakeresés vagy kiértékelés), amelyekre az emberek támaszkodnak; az ágens-alapú munkafolyamatok mérnöki mélysége többet számít az összes évnél
• ▹Tapasztalat strukturált kimenettel és tool/function callinggal: a modell típusos sémához kötése és a visszakapott adat validálása
• ▹Tapasztalat olyan rendszerek kiértékelésében, amelyeknek nincs egyetlen helyes válaszuk: golden setek, offline regressziós csomagok vagy modellalapú értékelők
• ▹Képesség egy szolgáltatást a sématervezéstől az üzemeltetésig végigvinni
• ▹Képesség Public Trust biztonsági ellenőrzés megszerzésére és fenntartására
• ▹Python FastAPI-val, Pydantickal és pytesttel
• ▹LLM-alkalmazásfejlesztés: szolgáltatói API-k és gatewayek, prompt- és kontextustervezés, strukturált generálás, tool use és tracing
• ▹PostgreSQL, beágyazásokkal vagy vektorkereséssel a relációs adatok mellett
• ▹Aszinkron és párhuzamos Python, eredmények streamelése a kliensnek
• ▹Konténerek és Kubernetes: elég a szolgáltatás szállításához, hibakereséséhez és üzemeltetéséhez olyan infrastruktúrán, amelyet nem te adminisztrálsz
• ▹Git-alapú együttműködés és CI/CD közös kódbázison

Előny

• ▹Típusos ágens-keretrendszer, például Pydantic AI, LangGraph vagy az OpenAI, illetve Anthropic ágens-SDK-k, és MCP az eszközintegrációhoz
• ▹LLM-tracing és kiértékelő eszközök, például Langfuse, LangSmith, Arize Phoenix vagy Braintrust
• ▹Nyílt súlyú modellek éles kiszolgálása Ollamával vagy vLLM-mel gateway (például LiteLLM) mögött
• ▹Biomedikai ontológiák és kontrollált szótárak (MONDO, HPO, UMLS, MeSH és más OBO Foundry erőforrások) ismerete, fogalomhierarchiák, szinonimák és kereszthivatkozások kezelése
• ▹Háttér a ritka betegségek, a klinikai genetika vagy a transzlációs kutatás területén
• ▹Tapasztalat klinikusokkal, kurátorokkal vagy betegérdek-képviseleti szervezetekkel való együttműködésben, és szókincsük tartós adatmodellé alakításában
• ▹Publikált vagy előadott munka, amely a mérnöki munkát a nem építőknek is érthetően elmagyarázza (szakmai cikkek, konferencia-előadások, preprintek, technikai blogbejegyzések, nyílt forráskódú hozzájárulások)
• ▹Korábbi vagy jelenlegi NIH-tapasztalat

Soft skillek

Amit kínálunk

• ▹100%-ban fizetett orvosi, fogászati és látásbiztosítás a munkavállalónak
• ▹Fizetett szabadság és fizetett ünnepnapok
• ▹401K-hozzájárulás legfeljebb 5%-ig
• ▹Továbbképzési juttatások a karrierfejlődéshez
• ▹Munkatárs-ajánlási bónusz
• ▹Rugalmas költési számlák: egészségügyi (FSA), parkolási (PRK), eltartottgondozási (DCAP) és közlekedési (TRN)
• ▹Alapbér 130 000 – 150 000 USD a tapasztalattól, képesítéstől, készségektől és helytől függően

A munkáltatóról

Az Axle bioszcience- és információtechnológiai cég, amely transzlációs kutatási, biomedikai informatikai és adattudományi megoldásokat kínál kutatóközpontoknak és egészségügyi szervezeteknek, köztük az Egyesült Államok Nemzeti Egészségügyi Intézeteinek (NIH) több intézetének.