Applaudo er en nearshore-virksomhed inden for softwareudvikling, der hjælper organisationer med at modernisere deres teknologi og fremme den digitale transformation. Virksomheden blev grundlagt i 2013 og kombinerer ekspertise inden for softwareudvikling og rådgivning på områder som innovation og oplevelsesdesign, udvikling og vedligeholdelse af applikationer, kvalitetssikring, cloudløsninger, kunstig intelligens, cybersikkerhed, dataløsninger og modernisering af apps. Applaudo arbejder med kunder inden for blandt andet sport, medier og underholdning, detailhandel, forbrugsvarer og finansielle tjenester. Virksomheden understøtter projekter, der forbedrer digitale produkter, infrastruktur og levering af it-tjenester. Med hovedkvarter i Austin, Texas, og et kontor i San Salvador samler Applaudo et team på 501–1.000 medarbejdere, der betjener virksomheder inden for teknologi og digitale tjenester.
Senior data scientist inden for anvendt AI – entitetsmatchning (fjernarbejde, Peru)
Hos Applaudo udvikler du modeller baseret på embeddings og store sprogmodeller til at matche virksomheder og entiteter. Du evaluerer store mængder støjfyldte data og skaber præcise AI-løsninger med afvejninger mellem omkostninger og skalerbarhed.
Beskrivelse
- Udvikle og evaluere maskinlæringsmetoder til matchning af virksomheder og entiteter.
- Udforme matchningsmetoder med embeddings og store sprogmodeller.
- Designe scorings- og rangeringsmetoder, der skelner mellem reelle match, dubletter, poster, der ligner hinanden, og uvedkommende entiteter.
- Håndtere støjfyldte data om navne, aliaser, domæner, websites, virksomhedsoplysninger, sprog og datahierarkier.
- Udarbejde benchmarkdatasæt, evalueringsmålinger, baselines og fejlanalyser.
- Planlægge og gennemføre eksperimenter for at afprøve hypoteser.
- Sammenligne metoder med støtte fra store sprogmodeller med mere omkostningseffektive alternativer.
- Undersøge modeladfærd, grænsetilfælde og afvejninger.
- Tage højde for inferensomkostninger og skalerbarhed fra begyndelsen.
- Dele eksperimentresultater og anbefalinger med teknik- og forretningspartnere.
- Selvstændigt etablere forskningsmetoder og eksperimentforløb.
- Dokumentere både positive og negative eksperimentresultater tydeligt.
Krav
- Mindst fem års erhvervserfaring inden for datavidenskab eller maskinlæring.
- Stærkt praktisk fundament inden for maskinlæring.
- Fremragende færdigheder i Python og SQL.
- Praktisk erfaring med embeddings og semantisk lighed.
- Erfaring med at anvende store sprogmodeller på virkelige problemstillinger.
- Erfaring med superviseret og ikke-superviseret læring.
- Stærk baggrund inden for klassifikation og naturlig sprogbehandling.
- Arbejdskendskab til neurale netværk og transformerarkitekturer.
- Praktisk erfaring med TensorFlow, PyTorch, PyCaret eller et tilsvarende maskinlæringsframework.
- Erfaring med at genoptræne eller vedligeholde klassifikationsmodeller i produktion.
- Stærke kompetencer inden for eksperimentdesign og modelevaluering.
- Erfaring med at fastlægge baselines, målinger, testsæt og processer for fejlanalyse.
- Evne til at vurdere modelkvalitet og påvise målbare forbedringer.
- Stærk forståelse af skalerbarhed og inferensomkostninger inden for maskinlæring.
- Stærke engelskkundskaber.
- Foretrækkes: Erfaring med entitetsopløsning, record linkage eller deduplikering.
- Foretrækkes: Erfaring med rangering og lighedsscorer.
- Foretrækkes: Kendskab til informationssøgning, klyngedannelse eller teknikker til generering af kandidater.
- Foretrækkes: Erfaring med at designe løsninger med store sprogmodeller eller embeddings inden for rammerne af omkostninger og skalerbarhed.
- Foretrækkes: Kendskab til Spark, Snowflake, Databricks eller BigQuery.
- Foretrækkes: Erfaring med virksomheds-, domæne-, website- eller virksomhedsoplysninger.
- Foretrækkes: Erfaring med flersprogede datasæt.
- Analytisk tilgang og eksperimenterende tankegang.
- Intellektuel ærlighed og villighed til at dele negative resultater.
- Evne til at arbejde selvstændigt og tage initiativ.
- Fremragende skriftlig og mundtlig kommunikation.
- Evne til at forklare og underbygge tekniske anbefalinger over for interessenter.
- Stærke problemløsningsevner.
- Tryg ved at arbejde med uklare rammer og store datasæt.
- Evne til at afveje modelkvalitet, omkostninger og skalerbarhed.
Fordele
- Mulighed for fjernarbejde.
- Mulighed for at lære hurtigt og tage ansvar.
- Arbejde sammen med dygtige teams.
- Arbejde med moderne AI-baserede løsninger og skalerbare produkter.
- En højtydende kultur med fokus på kvalitet, teamwork, respekt, gennemsigtighed og effektiv kommunikation.