LogoFresh Jobs Ahead
Plenful
Plenful
51 – 200 Mga Empleyado
Artipisyal na intelihensiyaPangangalagang pangkalusuganSaaS
Bumubuo ang Plenful ng AI workflow automation software para sa mga pangkat ng parmasya at infusion. Pinag-uugnay ng platform nito ang data mula sa mga API, HL7, SFTP, PDF, at database upang asikasuhin ang mga gawaing administratibo gaya ng 340B audit at optimization, pagkuha ng referral, pamamahala ng rebate, Maximum Fair Price intelligence, paunang awtorisasyon, at pagtanggap ng order. Pinaglilingkuran ng Plenful ang mga health system, specialty pharmacy, infusion practice, at grupo ng provider, na nakatuon sa mga operasyong sumusunod sa mga patakaran, pagkuha ng kita, at pagbawas ng manu-manong trabaho.
LinkedIn
Mga Trabaho sa Kumpanya

Staff Machine Learning Engineer, Plenful (San Francisco, Hybrid)

Magtakda ng estratehiya sa produksyon para sa mga machine learning agent, post-training ng modelo, at ebalwasyon. Bumuo ng healthcare AI automation upang mabawasan ang gawaing administratibo at patatagin ang pagsunod sa mga regulasyon.

USEstados UnidosCACaliforniaHybridFull-timeLeadKinakailangang Wika: InglesInhinyero ng machine learning
DockerKubernetesPythonPyTorch

Paglalarawan

  • Idisenyo ang mga production agent para sa paggamit ng tool, retrieval, pamamahala ng state at konteksto, routing, orchestration, tracing, at pagbawi mula sa pagkabigo.
  • Gawing magagamit muli bilang mga pattern sa engineering ang mga pamamaraang napatunayang mahusay.
  • Magpasya kung bubuuin o bibilhin ang mga modelo at bahagi ng platform.
  • Itakda ang estratehiya ng kumpanya para sa post-training.
  • Sanayin at i-deploy ang mga LLM at vision-language model para sa mga gawaing pangkalusugan.
  • Bumuo ng panloob na kakayahan para sa tuloy-tuloy na pagsasanay ng modelo.
  • Gumawa ng mga ebalwasyong nagpapakita ng mga pagpapahusay sa produksyon.
  • Itakda ang estratehiya sa kalidad ng AI sa pamamagitan ng mga awtomatikong grader, naka-calibrate na LLM judge, regression suite, pagsusuri ng tao, taxonomy ng pagkabigo, at validation mula offline patungong online.
  • Ibatay ang mga desisyon sa pag-release sa resulta ng ebalwasyon.
  • Bumuo ng mga sistemang gumagamit ng mga pagkabigo sa produksyon at feedback ng user upang pahusayin ang mga dataset, ebalwasyon, at modelo.
  • Magtakda ng mga pamantayan para sa pag-version ng dataset, observability, at MLOps.
  • Hubugin ang 12-buwang ML roadmap kasama ang mga pinuno ng engineering at produkto.
  • Pangunahan ang mga teknikal na review, gabayan ang mga senior engineer, at tumulong sa pagkuha ng mga tauhan.
  • Idisenyo ang mga sistema para sa privacy sa pamamagitan ng paggamit lamang ng kinakailangang datos, paggamit ng de-identified o sintetikong datos kung angkop, at pagsunod sa mga kasanayang may kamalayan sa HIPAA.
  • Suriin ang mga agent, ebalwasyon, at training pipeline sa unang 30 araw, at tukuyin ang tatlong pinakamalalaking kakulangan.
  • Pagsapit ng ika-90 araw, maghatid ng pagpapahusay sa post-training o ebalwasyon na nagpapataas sa isang production metric.
  • Pagsapit ng ika-90 araw, ilathala ang plano ng team para sa susunod na dalawang quarter.

Mga Kinakailangan

  • Hindi bababa sa 8 taong karanasan sa ML o software engineering, kabilang ang 3+ taon sa pangunguna ng mga production LLM o agent system.
  • May end-to-end na karanasan sa applied post-training, gaya ng supervised fine-tuning, preference optimization, distillation, o reinforcement learning.
  • May karanasan sa paglalabas ng modelong nagpahusay sa production metric.
  • May karanasan sa pagdisenyo ng estratehiya sa ebalwasyon ng LLM o agent na gumabay sa mga desisyon sa pag-release.
  • May karanasan sa pag-arkitekto ng mga production agent system.
  • May karanasan sa LangGraph, RAG, at mga tool sa vector search gaya ng Pinecone.
  • Mahusay sa Python at PyTorch.
  • Pamilyar sa mga distributed training at serving tool gaya ng vLLM, FSDP, o DeepSpeed.
  • May karanasan sa MLOps gamit ang Docker, Kubernetes, MLflow o katumbas nito, CI/CD, at pagsubaybay sa eksperimento at dataset.
  • Kayang manghikayat nang walang pormal na awtoridad sa pamamagitan ng mga design document, review, at mentoring.
  • May napapanahong kaalaman sa mga bagong modelo at coding agent.
  • Kayang gawing eksperimento ang mga papel-pananaliksik at release, at mag-ulat ng nasusukat na resulta.
  • May ebidensiya ng gawaing ginagamit ng iba, gaya ng mga kontribusyon sa open source, sulatin, talumpati, o ebalwasyon.
  • Mas gusto: karanasan sa datos pangkalusugan tulad ng EHR, FHIR, claims, o prior authorization.
  • Mas gusto: mga publikasyon o kontribusyon sa open source tungkol sa LLM evaluation, post-training, o mga agent.
  • Mas gusto: karanasan sa pag-interbyu at pagkuha ng mga ML engineer.
  • Mas gusto: karanasan sa ibang larangang regulado at may mataas na panganib.

Mga Benepisyo

  • Flexible na hybrid na trabaho na inuuna ang remote work, kasama ang makabuluhang presensiya sa mga opisina sa San Francisco at New York.
  • Buong saklaw ng medical, dental, at vision coverage para sa mga empleyado, na maaaring isama ang pamilya.
  • 401(k) na may katumbas na ambag ng kumpanya na 50% ng unang 3% na iniambag.
  • Equity para sa lahat ng full-time na empleyado.
  • Walang limitasyong bayad na leave.
  • $100 lingguhang allowance para sa tanghalian.
  • $100 buwanang allowance para sa wellness.
  • $100 buwanang benepisyo sa pagbiyahe para sa mga empleyadong nakabase sa San Francisco at New York.
  • Bayad na parental leave.
  • Mga pagkakataon para sa propesyonal na pag-unlad.
  • Pangkat na nakatuon sa misyon, kasama ang mga bihasang kasamahan.
  • Pakikipagtulungan sa mga bihasa at mahusay na lider.

Mga Kaugnay na Trabaho

U.S. Bank

Punong AI Engineer, Pagpapabilis ng Enterprise AI

U.S. Bank
LogisticsPagkonsultaSeguro
USEstados UnidosCACaliforniaCOColoradoILIllinoisMNMinnesotaNCHilagang Carolina
$149,515 – $175,900 / taon
HybridFull-timeLeadKinakailangang Wika: InglesInhinyero ng AIInhinyero ng machine learning
AzureCloudPython

Pangunahan ang ligtas at nasusukat na paggamit ng AI sa U.S. Bank sa pamamagitan ng paghahatid ng mga generative AI solution, muling magagamit na balangkas sa engineering, at matalinong automation. Makipagtulungan sa mga pangkat ng negosyo at teknolohiya upang maisakatuparan ang mga enterprise AI use case mula konsepto hanggang produksyon.

Buksan
BigHat Biosciences

Direktor ng Machine Learning, Disenyo ng Antibody

BigHat Biosciences
51 – 200 Mga Empleyado
PagkonsultaPagmamanupakturaPangangalagang pangkalusugan
USEstados UnidosCACalifornia
$250,000 – $365,000 / taon
HybridFull-timeLeadKinakailangang Wika: InglesInhinyero ng machine learning
CloudPythonPyTorch

Pangunahan ang estratehiya sa machine learning at pagmomodelo ng disenyo ng antibody sa BigHat Biosciences sa pamamagitan ng pagsasama ng mga makabagong modelo, datos sa laboratoryo, at awtomasyong LLM. Gabayan ang nakatatandang pangkat na binubuo ng iba’t ibang disiplina at tumulong pahusayin ang mga siklo ng disenyo para sa mahigit 2,000 antibody bawat linggo.

Buksan
Gusto

Senior na Arkitekto ng AI para sa FP&A sa Gusto

Gusto
1,001 – 5,000 Mga Empleyado
PagkonsultaPangangalagang pangkalusuganSeguro
USEstados UnidosCACalifornia
$225,000 – $250,000 / taon
HybridFull-timeSeniorLeadKinakailangang Wika: InglesInhinyero ng AIInhinyero ng machine learning
ERPFluxPythonSQL

Hulmahin ang pagpaplano, pagtataya, at pag-uulat na pinapagana ng AI para sa organisasyon ng CFO ng Gusto. Bumuo ng pinamamahalaang mga sistema ng datos sa pananalapi at awtomatikong daloy ng trabaho upang mapahusay ang pagpapasya.

Buksan
Poesis AI

Punong Inhinyero sa Machine Learning, AI sa Pananalapi

Poesis AI
Artipisyal na intelihensiyaFintechPananalapi
USEstados UnidosCACalifornia
$200,000 – $280,000 / taon
HybridFull-timeLeadKinakailangang Wika: InglesInhinyero ng machine learning

Bumuo ng mga predictive signal, production machine learning model, at sistema ng pagsusuri para sa autonomous investment platform ng Poesis AI. Ilapat ang AI sa datos pinansyal at gamitin ang mga resulta ng pamumuhunan upang pagbutihin ang mga modelo at agent.

Buksan