Benevity er en SaaS-virksomhed til større organisationer med fokus på social effekt. Benevity Enterprise Impact Platform hjælper store organisationer med at administrere medarbejderes donationer, donationsmatchning, løntræk til velgørenhed, frivilligt arbejde, bevillinger, medarbejdergrupper, udfordringer og effektmåling i ét samlet system. Platformen understøtter også globale udbetalinger, due diligence af nonprofitorganisationer, compliance og risikokontroller samt AI-drevet automatisering, der er udviklet til at forenkle administration og måling af programmer. For fagfolk, der undersøger muligheder inden for B2B-software, SaaS eller teknologi til social effekt, giver Benevity mulighed for at arbejde med produkter, der forbinder arbejdspladsprogrammer med velgørende organisationer og målbare resultater for lokalsamfund.
Senior data- og AI-forsker hos Benevity – hybrid i Toronto
Senior data- og AI-forsker, der udvikler maskinlæringsmodeller, analyser og AI-prototyper til Benevitys SaaS-platform for social påvirkning. Rollen fokuserer på produktionsmodeller, kundeoplevelse og automatisering.
Canada109.400 $ – 150.370 $ / år
HybridFuldtidSeniorPåkrævet Sprog: engelskAI-forskerMaskinlæringsingeniørBeskrivelse
- Byg maskinlærings- og statistiske modeller til anbefalinger, forudsigelser og klassifikation
- Undersøg data, udvikl features, og forbehandl datasæt til modeltræning og evaluering
- Evaluer modellernes ydeevne med passende målepunkter, og finjuster metoder gennem eksperimenter
- Samarbejd med dataanalytikere og produktinteressenter om at afklare anvendelsesområder og fastlægge succeskriterier
- Udvikl prototyper og benchmark metoder inden for NLP, repræsentationslæring og tidsserieprognoser
- Skab handlingsorienterede indsigter gennem avanceret analyse, segmentering og statistisk analyse
- Præsenter resultater og modeloutput for tværfunktionelle teams
- Understøt A/B-test og modelvalidering
- Opret dashboards og overvågningsværktøjer til modellernes sundhed efter implementering og til vigtige forretnings-KPI'er
- Samarbejd med produkt- og AI-teknikteams om at implementere modeller og forbinde dem med backendtjenester og API'er
- Byg reproducerbare træningspipelines og notebooks efter standarder for versionsstyring og dokumentation
- Bidrag til udviklingen af genanvendelige modelkomponenter og feature stores
- Følg udviklingen inden for data, maskinlæring og AI, og vurder nye værktøjer og frameworks
- Forbedr teamets effektivitet og gennemsigtighed gennem dokumentation og interne værktøjer
Krav
- 4–6 års erfaring med datavidenskab, maskinlæringsteknik eller anvendt AI, helst i et SaaS- eller teknologiproduktmiljø
- Erfaring med at udvikle kundeorienterede modeller eller modeller med forretningsmæssig effekt, herunder scoring, personalisering eller anomalidetektion
- Kendskab til samarbejdsbaseret softwareudvikling som Git, code review og CI/CD til maskinlæring
- Bachelor- eller kandidatgrad i datavidenskab, datalogi, statistik, ingeniørvidenskab eller en beslægtet disciplin
- Rutineret i Python, SQL, Jupyter og Git
- Erfaring med scikit-learn, XGBoost, LightGBM og grundlæggende TensorFlow eller PyTorch
- Erfaring med Pandas, NumPy, DBT, BigQuery, Snowflake eller sammenlignelige dataværktøjer
- Erfaring med MLflow og Airflow
- Erfaring med mindst én cloudplatform: GCP/Vertex AI, AWS/SageMaker eller Azure ML
- Stærk forståelse af modelevaluering, overfitting, bias, varians, krydsvalidering og A/B-test
- Erfaring med at vurdere modellers robusthed, fortolkelighed og inklusivitet er en fordel
- Erfaring med Docker eller Kubernetes er en fordel
- Erfaring med feature stores som Tecton eller Feast er valgfri, men en fordel
- Kendskab til deep learning, grafmaskinlæring, NLP eller reinforcement learning er en stærk fordel
- Produktionserfaring med implementering og overvågning af maskinlæringsmodeller, herunder automatisk gen-træning, logning og sporing af ydeevne, vægtes højt
- Stærke kommunikationsevner, herunder evnen til at forklare komplekse tekniske emner til tekniske og ikke-tekniske målgrupper
- Bevidsthed om etiske overvejelser inden for maskinlæring, herunder retfærdighed, bias og forklarlig AI
Fordele
- Fleksible hybride arbejdsordninger
- Intet fast krav om fremmøde på kontoret for medarbejdere, der bor tæt på et kontor
- Mulighed for at arbejde med innovative projekter
- Muligheder for faglig udvikling
- Støttende kolleger
- Meningsfuldt arbejde med et klart formål
- Medarbejderressourcegrupper
- Lige muligheder for alle kandidater og medarbejdere
- Tilpasninger gennem hele rekrutterings- og vurderingsprocessen for kandidater med handicap