Plenful
Plenful
Plenful نرم‌افزار خودکارسازی گردش‌کار مبتنی بر هوش مصنوعی را برای تیم‌های داروخانه و انفیوژن می‌سازد. پلتفرم آن داده‌ها را از طریق APIها، HL7، SFTP، فایل‌های PDF و پایگاه‌های داده به هم متصل می‌کند تا کارهای اداری مانند ممیزی و بهینه‌سازی 340B، ثبت ارجاع‌ها، مدیریت تخفیف‌ها، اطلاعات مربوط به Maximum Fair Price، مجوز قبلی و دریافت سفارش را انجام دهد. Plenful به نظام‌های سلامت، داروخانه‌های تخصصی، مراکز انفیوژن و گروه‌های ارائه‌دهندگان خدمات درمانی خدمت می‌کند و بر عملیات منطبق با مقررات، وصول درآمد و کاهش کار دستی تمرکز دارد.

مهندس ارشد یادگیری ماشین، Plenful (سان‌فرانسیسکو، ترکیبی)

راهبرد عملیاتی عامل‌های یادگیری ماشین، پس‌آموزش مدل و ارزیابی را تعیین کنید. برای کاهش کارهای اداری و تقویت انطباق، اتوماسیون هوش مصنوعی در حوزه سلامت بسازید.

توضیحات

  • معماری عامل‌های عملیاتی را در زمینه استفاده از ابزار، بازیابی، مدیریت وضعیت و زمینه، مسیریابی، ارکستراسیون، ردگیری و بازیابی از خطا طراحی کنید.
  • روش‌های موفق را به الگوهای مهندسی قابل استفاده مجدد تبدیل کنید.
  • درباره ساختن یا خریدن مدل‌ها و اجزای پلتفرم تصمیم بگیرید.
  • راهبرد پس‌آموزش شرکت را تعیین کنید.
  • برای وظایف حوزه سلامت، مدل‌های زبانی بزرگ و مدل‌های بینایی‌ـ‌زبانی را آموزش دهید و به کار بگیرید.
  • توانمندی‌های داخلی برای آموزش پیوسته مدل‌ها ایجاد کنید.
  • ارزیابی‌هایی بسازید که بهبود عملیاتی را نشان دهند.
  • راهبرد کیفیت هوش مصنوعی را با ارزیاب‌های خودکار، داورهای کالیبره‌شده LLM، مجموعه‌های رگرسیون، بازبینی انسانی، رده‌بندی خطا و اعتبارسنجی آفلاین به آنلاین تعریف کنید.
  • تصمیم‌های انتشار را بر پایه نتایج ارزیابی بگیرید.
  • سامانه‌هایی بسازید که از خطاهای عملیاتی و بازخورد کاربران برای بهبود مجموعه‌داده‌ها، ارزیابی‌ها و مدل‌ها استفاده کنند.
  • استانداردهای نسخه‌بندی مجموعه‌داده، مشاهده‌پذیری و MLOps را تعیین کنید.
  • با رهبران مهندسی و محصول، نقشه راه ۱۲ ماهه یادگیری ماشین را شکل دهید.
  • بازبینی‌های فنی را رهبری کنید، مهندسان ارشد را راهنمایی کنید و در استخدام مشارکت داشته باشید.
  • با استفاده از حداقل داده لازم، داده‌های بی‌هویت یا مصنوعی در صورت تناسب، و رویه‌های آگاه از HIPAA، حریم خصوصی را در طراحی لحاظ کنید.
  • در ۳۰ روز نخست، عامل‌ها، ارزیابی‌ها و خط لوله آموزش را بررسی کنید و سه شکاف بزرگ را شناسایی کنید.
  • تا روز ۹۰، بهبودی در پس‌آموزش یا ارزیابی ارائه دهید که یکی از معیارهای عملیاتی را بهتر کند.
  • تا روز ۹۰، برنامه تیم برای دو فصل آینده را منتشر کنید.

شرایط لازم

  • حداقل ۸ سال تجربه در یادگیری ماشین یا مهندسی نرم‌افزار، شامل بیش از ۳ سال رهبری سامانه‌های عملیاتی LLM یا عامل‌ها.
  • تجربه کاربردی سرتاسری در پس‌آموزش، مانند ریزتنظیم نظارت‌شده، بهینه‌سازی ترجیح، تقطیر یا یادگیری تقویتی.
  • تجربه عرضه مدلی که یک معیار عملیاتی را بهبود داده باشد.
  • تجربه طراحی راهبرد ارزیابی LLM یا عامل که مبنای تصمیم‌های انتشار قرار گرفته باشد.
  • تجربه معماری سامانه‌های عملیاتی عامل‌ها.
  • تجربه کار با LangGraph، RAG و ابزارهای جست‌وجوی برداری مانند Pinecone.
  • تسلط بالا به Python و PyTorch.
  • آشنایی با ابزارهای آموزش و ارائه توزیع‌شده مانند vLLM، FSDP یا DeepSpeed.
  • تجربه MLOps با Docker، Kubernetes، MLflow یا ابزار معادل، CI/CD و رهگیری آزمایش‌ها و مجموعه‌داده‌ها.
  • توانایی اثرگذاری بدون اختیار رسمی از راه اسناد طراحی، بازبینی و راهنمایی.
  • آگاهی به‌روز از مدل‌های جدید و عامل‌های کدنویسی.
  • توانایی تبدیل مقاله‌ها و انتشارهای جدید به آزمایش و گزارش نتایج کمی.
  • نمونه‌هایی از کارهایی که دیگران استفاده می‌کنند، مانند مشارکت متن‌باز، نوشته‌ها، سخنرانی‌ها یا ارزیابی‌ها.
  • مزیت محسوب می‌شود: تجربه داده‌های سلامت مانند EHR، FHIR، مطالبات بیمه یا مجوز قبلی.
  • مزیت محسوب می‌شود: مقاله یا مشارکت متن‌باز در ارزیابی LLM، پس‌آموزش یا عامل‌ها.
  • مزیت محسوب می‌شود: تجربه مصاحبه و استخدام مهندسان یادگیری ماشین.
  • مزیت محسوب می‌شود: تجربه در حوزه‌ای دیگر با مقررات سخت‌گیرانه و ریسک بالا.

مزایا

  • کار ترکیبی انعطاف‌پذیر با اولویت دورکاری و حضور معنادار در دفترهای سان‌فرانسیسکو و نیویورک.
  • پوشش کامل درمانی، دندان‌پزشکی و بینایی برای کارکنان، با امکان مشارکت اعضای خانواده.
  • تطبیق ۵۰٪ از نخستین ۳٪ مبلغ واریزی کارکنان به طرح 401(k) از سوی شرکت.
  • سهام برای همه کارکنان تمام‌وقت.
  • مرخصی باحقوق نامحدود.
  • کمک‌هزینه ناهار هفتگی ۱۰۰ دلاری.
  • کمک‌هزینه ماهانه ۱۰۰ دلاری سلامت و تندرستی.
  • مزیت رفت‌وآمد ماهانه ۱۰۰ دلاری برای کارکنان مستقر در سان‌فرانسیسکو و نیویورک.
  • مرخصی والدین باحقوق.
  • فرصت‌های رشد حرفه‌ای.
  • تیمی مأموریت‌محور با همکاران باتجربه.
  • همکاری با رهبران باتجربه و پربازده.

فرصت‌های شغلی مرتبط

U.S. Bank

مهندس ارشد هوش مصنوعی، شتاب‌دهی هوش مصنوعی سازمانی

U.S. Bank

رهبری پذیرش ایمن و مقیاس‌پذیر هوش مصنوعی در U.S. Bank را بر عهده بگیرید و راهکارهای هوش مصنوعی مولد، چارچوب‌های مهندسیِ قابل‌استفادهٔ مجدد و خودکارسازی هوشمند ارائه دهید. با همکاری تیم‌های کسب‌وکار و فناوری، موارد کاربرد هوش مصنوعی سازمانی را از ایده تا تولید پیش ببرید.

باز کردن
BigHat Biosciences

مدیر یادگیری ماشین، طراحی آنتی‌بادی

BigHat Biosciences

راهبرد یادگیری ماشین و مدل‌سازی طراحی آنتی‌بادی را در BigHat Biosciences هدایت کنید و مدل‌های پیشرفته، داده‌های آزمایشگاهی و خودکارسازی LLM را به هم پیوند دهید. هدایت یک تیم ارشد میان‌رشته‌ای را بر عهده بگیرید و به بهبود چرخه‌های طراحی برای بیش از ۲٬۰۰۰ آنتی‌بادی در هر هفته کمک کنید.

باز کردن
Gusto

معمار ارشد هوش مصنوعی FP&A در گوستو

Gusto
۱٬۰۰۱ – ۵٬۰۰۰ کارکنان
بیمهمراقبت‌های بهداشتیمشاوره

برنامه‌ریزی، پیش‌بینی و گزارش‌دهی مبتنی بر هوش مصنوعی را برای سازمان مالی گوستو شکل دهید. سامانه‌های داده مالیِ تحت حاکمیت و گردش‌کارهای خودکار بسازید تا تصمیم‌گیری بهبود یابد.

باز کردن
Wells Fargo

مهندس ارشد، هوش مصنوعی و پرداخت‌های دیجیتال

Wells Fargo

رهبری نوسازی پرداخت‌های دیجیتال و به‌کارگیری هوش مصنوعی در ولز فارگو. پلتفرم‌های مقاوم و مبتنی بر API بسازید و به رهبران فناوری پرداخت‌های مصرف‌کننده مشاوره دهید.

باز کردن
Poesis AI

مهندس ارشد یادگیری ماشین، هوش مصنوعی مالی

Poesis AI

برای پلتفرم سرمایه‌گذاری خودمختار Poesis AI، سیگنال‌های پیش‌بینی‌کننده، مدل‌های یادگیری ماشین در محیط عملیاتی و سامانه‌های ارزیابی بسازید. هوش مصنوعی را روی داده‌های مالی به‌کار بگیرید و از نتایج سرمایه‌گذاری برای بهبود مدل‌ها و عامل‌ها استفاده کنید.

باز کردن