Staff data scientist – alkalmazott gépi tanulás

Stack

Feladatok

• ▹A SignalGraph építése, fejlesztése és karbantartása: metrikacsaládok szerződéseinek alakítása, szegmens- és ok-okozati éldefiníciós katalógusok megbízhatóan tartása, a Neo4j és a sorozatfrissítő pipeline üzemeltetése, a vizsgálati diagnosztika erősítése.
• ▹Retrieval-augmented generation (RAG) rendszerek tervezése, építése és értékelése a gráf tetején; a találatminőség, a kontextuskezelés és az értékelő keretrendszer gondozása.
• ▹Éles ML teljes körű gazdája: betanítási pipeline-ok, valós idejű kiszolgálás, monitorozás, drift-észlelés és újratanítás. Amikor egy modell éles, az üzemideje, késleltetése és pontossága a te felelősséged.
• ▹Rendszeres értékelés és regressziós tesztelés bevezetése a csapatban, hogy a modell- és LLM-rendszerek minőségét az idő során is mérjék és védjék.
• ▹Az MLOps és az ML-mérnöki sztenderdek meghatározása, a feature store és a platform ütemtervének alakítása, társak munkájának átnézése, adattudósok mentorálása gráf- és mélytanulási módszerekből.
• ▹Közvetlen együttműködés a felső vezetéssel, a Customer Analytics, a Business Intelligence és a Product csapatokkal; saját munka bemutatása és a feltevések megvédése.
• ▹Az AI/ML módszertani fejleményeinek követése és átültetése szállított képességgé.

Elvárások

• ▹Teljes körű éles ML-tapasztalat: valódi felhasználókra ható modellek betanítása, telepítése, kiszolgálása és karbantartása, az újratanítással, drifttel és technikai adóssággal járó tanulságokkal.
• ▹Erős statisztikai alapok: a torzítás és variancia értelmezése, veszteségfüggvény megindokolása, jel és zaj megkülönböztetése.
• ▹Magas szintű SQL és éles minőségű Python ismeret.
• ▹Mélység a modern ML-módszerekben: mélytanulás és neurális architektúrák, transformer/BERT-család, RNN/CNN, rangsorolás, reprezentációtanulás, valamint gyakorlati tapasztalat LLM-ek éles alkalmazásában, beleértve a RAG-ot és a kontextuskezelést.
• ▹Tapasztalat a tévedés valós költségének figyelembevételével való tervezésben: egyedi és aszimmetrikus veszteségfüggvények építése vagy hangolása, és az üzleti indoklás megfogalmazása.
• ▹Tapasztalat nagy adatmennyiséggel éles környezetben és az ezt támogató platformokkal: ML/AI platformok (pl. Snowflake), Apache Airflow orkesztráció, felhőinfrastruktúra (AWS előnyben, GCP vagy Azure is elfogadott).
• ▹Erős kommunikációs és érdekelt-összehangolási készség: technikai és nem technikai partnerek eljuttatása a félreértéstől az egyetértésig, a bizonytalanság őszinte bemutatása, befolyásolás formális hatalom nélkül.
• ▹A minőség fontosabb a puszta szállítási sebességnél; a saját kód megértését nem szervezed ki AI-asszisztensnek.

Előny

• ▹Gráfos tapasztalat: gráfelmélet, gráf neurális hálók, tudásgráfok vagy gráfadatbázisok, például Neo4j.
• ▹Szoftvermérnöki háttér: szolgáltatások és modellkiszolgálás (REST/gRPC), Docker/Kubernetes, CI/CD, feature store-ok.
• ▹Tapasztalat a Snowflake-kel, beleértve a Snowpark-ot és a Snowpark Container Services-t, vagy hasonló út az adattárháztól a telepített modellig.
• ▹Tapasztalat LLM-értékelő infrastruktúra, biztonsági rétegek vagy LLMOps építésében ügyfélközeli AI-hoz.
• ▹Kockázati, csalásfelderítési vagy fintech modellezési, illetve nagy léptékű ajánló- és rangsoroló rendszerekkel kapcsolatos tapasztalat.

Soft skillek

Amit kínálunk

• ▹Teljes javadalmazási csomag részvényjuttatással és opciókkal
• ▹Kiterjesztett egészségbiztosítási csomag, teljesen kifizetett díjakkal testi és lelki egészségre
• ▹RRSP, TFSA vagy FHSA megtakarítási hozzájárulás
• ▹Éves wellness- és egészségügyi keretek
• ▹Dedikált tehetségfejlesztési program: coaching, tanulási és vezetőfejlesztési lehetőségek

A munkáltatóról

A Jobber kisvállalkozásoknak, például vízszerelőknek, festőknek és kertészeknek segít ajánlatot adni, ütemezni, számlázni és fizetést begyűjteni. Kanadai cég, amelyet Great Place to Work és más elismerések is díjaztak; első ügyfelét 2011-ben szerezte.