Data scientist II – ML-infrastruktúra

Stack

Feladatok

• ▹Kutatási szintű data science munkafolyamatok (pl. proxy metrikák, staleness modellek) átültetése éles ML-pipeline-okba Airflow, WandB és Ray segítségével, újrafelhasználható mintákkal
• ▹Kauzális következtetési módszerek (propensity scoring, IPW, TMLE) élesítése az éles ML-stacken a kísérletekkel nem megválaszolható mérési kérdésekre
• ▹Önkiszolgáló eszközök építése, hogy nem szakértők is megalapozott kauzális elemzéseket készíthessenek
• ▹Együttműködés ML-mérnökökkel és termékcsapatokkal jobb eszközökért, metrikákért és mérési módszerekért
• ▹Adatvezérelt keretrendszerek építése a feature importance-tól a tartalom-deindexelésig
• ▹Központi ML-platform eszközök tervezése és építése a feature- és modellkészítés, értékelés és megbízhatóság javítására

Elvárások

• ▹Legalább 2 év gyakorlati tapasztalat alkalmazott tudósként, ML-mérnökként, kutatóként vagy szoftvermérnökként, jelentős éles ML-tapasztalattal
• ▹Erős Python-tudás
• ▹PyTorch vagy azzal egyenértékű deep learning keretrendszer ismerete
• ▹Elosztott számítás (Spark, Ray) ismerete

Soft skillek

A munkáltatóról

A Pinterest platformján emberek milliói keresnek kreatív ötleteket és terveznek. A cég szerint az AI partner, amely erősíti a kreativitást.