A Forto adattudóst keres, aki azokat az éles ML-rendszereket birtokolja, amelyek strukturált intelligenciát nyernek ki a strukturálatlan logisztikai adatokból. A szerep felöleli a dokumentumadat-kinyerést (FlashDoc), a szótár-megfeleltetést és a klasszikus gépi tanulást, azonnali fókusszal a meglévő éles rendszerek fenntartására és értékelési pipeline-ok építésére. A tágabb ütemterv kiterjed a keresleti előrejelzésre, lemorzsolódás-előrejelzésre, útvonaloptimalizálásra és prediktív analitikára.
Feladatok
- ▹Végpontok közötti ML-pipeline-ok tervezése, építése és karbantartása dokumentumkinyeréshez, osztályozáshoz és adatgazdagításhoz éles környezetben
- ▹Prompt-értékelési keretrendszerek és visszajelzésalapú optimalizálási hurkok építése a kinyerés pontosságának javítására
- ▹Egyedi, belső modellek betanítása emberi közreműködésen alapuló (HITL) adatokkal, hogy a támogatott kinyerésből teljesen automatizált kinyerés legyen
- ▹Szemantikus hasonlósági modellek építése és karbantartása, amelyek a szabad szöveget szabványos TMS-szótárra képezik le
- ▹A pipeline megbízhatóságának javítása újratervezéssel, teszteléssel, felügyelettel és riasztással a nemdeterminisztikus ML-rendszerekhez
- ▹Áttörő megközelítések értékelése és bevezetése a pontosság ugrásszerű javításához
- ▹Együttműködés a termékmenedzserekkel annak azonosításában, hol tudja az adattudomány valós felhasználói problémákat megoldani
- ▹Együttműködés a mérnökséggel az integráció, infrastruktúra és API-tervezés terén
- ▹Az érdekeltek elvárásainak kezelése a megvalósíthatóság, határidők, kockázatok és priorizálási kompromisszumok terén
Elvárások
- ▹Legalább 2 év szakmai tapasztalat adattudományban vagy gépitanulás-mérnökségben
- ▹Képesség ML-rendszerek tervezésére, telepítésére és karbantartására éles környezetben, beleértve a pipeline-architektúrát, felügyeletet és megbízhatóságot
- ▹Képesség új eszközök, technológiák és problématerületek gyors elsajátítására
- ▹Ágensalapú kódolóeszközök magabiztos használata
- ▹Erős Python-jártasság
- ▹Gyakorlati tapasztalat nagy nyelvi modellekkel (promptolás, finomhangolás, értékelés) és azok éles környezetbeli korlátaival
- ▹Erős alap a klasszikus adattudományban és statisztikában: regresszió, osztályozás, idősorelemzés, adatszivárgás, kísérlettervezés, hipotézisvizsgálat
- ▹Erős analitikai és problémamegoldó készség kétértelmű, kutatásorientált problémákon
- ▹Bizonyított képesség áttörő alternatívák javaslására, amikor a meglévő megközelítések nem elegendők
- ▹Erős érdekeltkezelési készség
- ▹Képesség egy irány melletti teljes elköteleződésre egészséges vita után
Soft skillek
A munkáltatóról
A Forto átláthatóvá, súrlódásmentessé és fenntarthatóvá alakítja a digitális ellátási láncokat, MI segítségével forradalmasítva a logisztikát és egyszerűsítve a globális kereskedelmet. Adattudományi csapata strukturált intelligenciát nyer ki a strukturálatlan logisztikai adatokból, és prediktív analitikát épít a logisztikai műveletekhez.