Ang Johnson & Johnson ay isang pandaigdigang kompanya sa pangangalagang pangkalusugan na nagtatrabaho sa larangan ng makabagong medisina at teknolohiyang medikal. Bumubuo ang mga koponan nito ng mga solusyon sa onkolohiya, immunolohiya, neuroscience, espesyal na ophthalmology, interventional care, at orthopaedics, na pinagsasama ang agham at teknolohiya upang tugunan ang mga kumplikadong pangangailangan sa kalusugan. Binibigyang-diin din ng kompanya ang pagkakapantay-pantay sa kalusugan, pagpapanatili ng kapaligiran, pagkakaiba-iba, at inklusyon habang naglilingkod sa mga provider, pasyente, at komunidad sa buong mundo.
Senior na Siyentista sa Kaligtasan ng AI – Johnson & Johnson, Hybrid Madrid
Pangungunahan ang pananaliksik sa kaligtasan ng AI para sa pharmaceutical R&D platform ng Johnson & Johnson, na nakatuon sa mapapatunayang kontrol, adversarial assurance, at mga arkitekturang inuuna ang kaligtasan. Hybrid ang posisyon at nakabase sa Madrid o Barcelona.
Paglalarawan
- Magtatag ng deterministic at maipapaliwanag na mga kontrol sa mga agentic workflow.
- Lumikha ng mga patakarang nababasa ng makina para sa gawi ng agent, paggamit ng tool, access sa data, at daloy ng impormasyon.
- Magpatupad ng auditable enforcement para sa mga aksyon ng agent na may malaking epekto, kabilang ang mga rutang nangangailangan ng pag-apruba ng tao.
- Magbigay ng madaling ma-access na mga interface ng patakaran upang makalikha, makapagsubok, at mapanatili ng mga may-ari ang mga kontrol.
- Bumuo ng tuloy-tuloy na red-team approach na pinagsasama ang mga AI threat model at mga senaryo ng pagkabigo sa pharmaceutical R&D.
- Isama ang adversarial testing sa GenAI Platform para sa mga modelo, agent, tool, at kumpletong workflow.
- Magtakda ng mga paraan ng pagsusuri, tuntunin sa adjudication, at mga threshold ng ebidensya para sa mga katangian ng kaligtasan.
- Magsaliksik at bumuo ng prototype ng mga arkitekturang inuuna ang kaligtasan at nakabatay sa magkakapatong na teknikal na kontrol.
- Suriin ang mga interbensyon sa pre-training data at mga teknik sa post-training gaya ng supervised fine-tuning, preference optimization, at safety tuning.
- Gawing masusubok na system specification ang mga obligasyong siyentipiko, pangkalidad, pang-privacy, at regulasyon.
- Magtatag ng mga panukat ng pananagutan at mga kinakailangan sa ebidensya para sa mga pahayag tungkol sa kaligtasan ng AI.
- Panatilihin ang mga desisyon sa kontrol na maaaring masubaybayan at muling buuin para sa ebidensya sa audit.
- Makipagtulungan sa mga R&D scientist, platform engineering, security, privacy, legal, at quality team.
- Pangunahan ang siyentipikong gawain ng isang maliit na cross-functional na team at katawanin ito sa pamamagitan ng mga publikasyon at ambag sa mga pamantayan.
- Bumuo ng mga prototype, tukuyin ang teknikal na direksyon, at ilipat ang mga resulta sa platform kasama ang mga engineering partner.
Mga Kinakailangan
- Kinakailangan ang PhD sa computer science, AI/ML, applied mathematics, o malapit na kaugnay na teknikal na disiplina.
- Hindi bababa sa isang taon ng post-PhD research o karanasan sa industriya sa pagbuo at pag-deploy ng AI/ML, autonomous-agent, o security-critical system.
- Advanced na praktikal na kaalaman sa agentic AI, kabilang ang foundation model, retrieval-augmented generation, tool orchestration, memory, planning, multi-agent framework, at mga kaugnay na failure mode.
- Karanasan sa pananaliksik o aplikasyon sa AI safety at alignment, kabilang ang supervised fine-tuning, preference optimization, safety tuning, adversarial evaluation, interpretability, o scalable oversight.
- Dalubhasa sa kahit isang larangan: policy-as-code at authorization; adversarial machine learning at AI red teaming; information-flow o data-access control; provenance at lineage; o formal specification at verification.
- Malakas na kakayahan sa AI engineering, kabilang ang pagbuo ng prototype ng evaluation at control technique, pagsasagawa ng reproducible experiment, at paggawa ng production-ready code.
- Mahusay na kasanayan sa pasulat at pasalitang komunikasyon.
- Siyentipikong higpit sa paglalarawan ng gawi ng modelo at agent, kawalan ng katiyakan, limitasyon, kondisyon ng pagkabigo, at sumusuportang ebidensya.
- Mas gusto ang nailathala o kinikilalang gawain sa mga kaugnay na nangungunang journal o conference.
- Mas gusto ang karanasan sa pag-angkop ng foundation model para sa mga siyentipikong domain at pagsusuri ng mga katangian ng kaligtasan nito.
- Mas gusto ang praktikal na karanasan sa policy engine, authorization language, o formal policy specification.
- Mas gusto ang pamilyaridad sa MITRE ATLAS, OWASP LLM guidance, NIST AI RMF, ISO/IEC 42001, o EU AI Act.
- Mas gusto ang karanasan sa data classification, de-identification, at privacy-preserving machine learning.
- Mas gusto ang karanasan sa pag-deploy ng AI sa life sciences o iba pang regulated at high-stakes na kapaligiran.
- Mas gusto ang pamilyaridad sa GxP, data integrity, at validation ng AI-enabled computerized system.
- Mas gusto ang karanasan sa pagsusuri ng third-party AI safety, evaluation, o control technology.
- Mas gusto ang karanasan sa paglikha ng reusable AI safety capability na ginagamit ng maraming team.
Mga Benepisyo
- Taunang bonus na may target na tinutukoy batay sa pay grade at lokasyon, ayon sa performance ng indibidwal at kumpanya.
- Mga bayad na araw ng bakasyon.
- Hindi bababa sa 12 linggong parental leave.
- Bereavement leave.
- Caregiver leave.
- Volunteer leave.
- Reimbursement para sa well-being.
- Mga programang pinansyal, pisikal, at mental na pangkalusugan.
- Mga award para sa anibersaryo ng serbisyo at pagkilala.
- Insurance coverage para sa mga empleyado at, sa ilang lokasyon, mga kwalipikadong dependent.