Ang Benevity ay isang enterprise SaaS na kompanyang nakatuon sa panlipunang epekto. Tinutulungan ng Benevity Enterprise Impact Platform ang malalaking organisasyon na pamahalaan ang pagbibigay ng empleyado, pagtutumbas ng donasyon, pagbibigay mula sa payroll, pagboboluntaryo, mga grant, grupo ng empleyado, mga hamon, at pag-uulat ng epekto sa iisang sistema. Sinusuportahan din ng platform ang pandaigdigang pamamahagi ng pondo, due diligence sa mga nonprofit, pagsunod sa mga patakaran, at mga kontrol sa panganib, gamit ang AI-driven na automation upang pasimplehin ang pangangasiwa at pagsukat ng programa. Para sa mga propesyonal na nagsasaliksik ng mga tungkulin sa B2B software, SaaS, o teknolohiya para sa panlipunang epekto, nag-aalok ang Benevity ng pagkakataong gumawa ng mga produktong nag-uugnay sa mga programa sa lugar ng trabaho sa mga organisasyong pangkawanggawa at nasusukat na resulta para sa komunidad.
Senior na Data at AI Scientist sa Benevity — Toronto Hybrid
Senior na Data at AI Scientist na bumubuo ng mga machine-learning model, analytics, at AI prototype para sa social-impact SaaS platform ng Benevity. Nakatuon ang tungkulin sa mga production model, karanasan ng customer, at automation.
Paglalarawan
- Bumuo ng machine-learning at statistical model para sa mga rekomendasyon, prediksyon, at klasipikasyon
- Suriin ang data, mag-engineer ng mga feature, at mag-preprocess ng mga dataset para sa pagsasanay at pagsusuri ng model
- Suriin ang performance ng model gamit ang angkop na mga sukatan at pagbutihin ang mga pamamaraan sa pamamagitan ng eksperimento
- Makipagtulungan sa mga data analyst at stakeholder ng produkto upang linawin ang mga use case at magtakda ng pamantayan ng tagumpay
- Gumawa ng prototype at mag-benchmark ng mga pamamaraan sa NLP, representation learning, at time-series forecasting
- Maghatid ng mga insight na maaaring aksyunan sa pamamagitan ng advanced analytics, segmentation, at statistical analysis
- Iharap ang mga natuklasan at resulta ng model sa mga cross-functional team
- Suportahan ang A/B testing at mga aktibidad sa validation ng model
- Gumawa ng mga dashboard at monitoring tool para sa kalagayan ng model pagkatapos ng deployment at mga business KPI
- Makipagtulungan sa mga product at AI engineering team upang mag-deploy ng mga model at ikonekta ang mga ito sa backend service at API
- Bumuo ng mga reproducible training pipeline at notebook gamit ang mga pamantayan sa versioning at documentation
- Tumulong sa pagbuo ng mga reusable na bahagi ng model at feature store
- Subaybayan ang mga pag-unlad sa data, machine learning, at AI ecosystem at suriin ang mga bagong tool at framework
- Pagbutihin ang efficiency at transparency ng team sa pamamagitan ng documentation at internal tooling
Mga Kinakailangan
- 4–6 na taong karanasan sa data science, machine-learning engineering, o applied AI, mas mainam kung sa SaaS o technology product environment
- Karanasan sa pagbuo ng mga model na nakatuon sa customer o may epekto sa negosyo, kabilang ang scoring, personalization, o anomaly detection
- Pamilyar sa collaborative software development practices gaya ng Git, code review, at CI/CD para sa machine learning
- Bachelor’s o Master’s degree sa Data Science, Computer Science, Statistics, Engineering, o kaugnay na disiplina
- Mahusay sa Python, SQL, Jupyter, at Git
- Karanasan sa scikit-learn, XGBoost, LightGBM, at batayang TensorFlow o PyTorch
- Karanasan sa Pandas, NumPy, DBT, BigQuery, Snowflake, o katumbas na data tool
- Karanasan sa MLflow at Airflow
- Karanasan sa paggamit ng kahit isang cloud platform: GCP/Vertex AI, AWS/SageMaker, o Azure ML
- Malalim na pag-unawa sa model evaluation, overfitting, bias, variance, cross-validation, at A/B testing
- Ang karanasan sa pagsusuri ng model robustness, interpretability, at inclusivity ay isang kalamangan
- Ang karanasan sa Docker o Kubernetes ay isang kalamangan
- Opsyonal ngunit kapaki-pakinabang ang karanasan sa feature store gaya ng Tecton o Feast
- Malaking bentahe ang exposure sa deep learning, graph machine learning, NLP, o reinforcement learning
- Lubos na pinahahalagahan ang production experience sa pag-deploy at pag-monitor ng machine-learning model, kabilang ang automated retraining, logging, at performance tracking
- Mahusay na communication skills, kabilang ang kakayahang ipaliwanag ang kumplikadong teknikal na paksa sa mga teknikal at hindi teknikal na audience
- Kamalayan sa mga etikal na konsiderasyon sa machine learning, kabilang ang fairness, bias, at AI explainability
Mga Benepisyo
- Flexible na hybrid working arrangement
- Walang nakapirming kinakailangang pagpasok sa opisina para sa mga empleyadong malapit sa isang opisina
- Mga pagkakataong magtrabaho sa mga makabagong proyekto
- Mga pagkakataon para sa propesyonal na paglago
- Mga kasamahang supportive
- Trabahong may layunin
- Mga employee resource group
- Pantay na oportunidad para sa lahat ng kandidato at empleyado
- Mga accommodation sa buong proseso ng hiring at assessment para sa mga kandidatong may kapansanan