Xenon Seven
Xenon Seven
A Xenon Seven mesterségesintelligencia- és adattanácsadást nyújt az egészségügy, a pénzügyi szolgáltatások, a kiskereskedelem, a technológia, az autóipar, az energetika és a gyártás területén működő szervezeteknek. Munkája kiterjed a generatív mesterséges intelligenciára, az előrejelző analitikára, a számítógépes látásra, a robotikára és a döntéstámogatásra. Segít a csapatoknak felmérni a lehetőségeket, kiépíteni és bővíteni a mesterségesintelligencia-képességeket, valamint fejleszteni az ezek mögött álló infrastruktúrát. A vállalat több mint 20 intézmény mesterségesintelligencia-szakértőiből álló hálózatra támaszkodik, és kiemelt figyelmet fordít a biztonságos bevezetésre, valamint a mesterséges intelligenciával támogatott működésre való megbízható átállásra.

Klinikai adattudós, digitális ikrek és klinikai vizsgálatok

Digitális ikreket és szimulációkat fejleszt a gyógyszeripari klinikai vizsgálatok tervezésének támogatására. A bizonyítékokon alapuló fejlesztési döntésekhez klinikai adatokat integrál mesterséges intelligenciával és gépi tanulással.

Leírás

  • Vezesse a betegek, betegségek, kezelési válaszok és klinikai vizsgálatok digitális ikreinek fejlesztését és értékelését klinikai vizsgálati, valamint releváns külső adatok felhasználásával.
  • Alkalmazzon mechanisztikus, statisztikai, oksági és gépi tanulási módszereket digitális ikrek létrehozására alternatív populációkhoz, beavatkozásokhoz, adagolási stratégiákhoz, végpontokhoz és vizsgálati tervekhez.
  • Határozza meg a felhasználási eseteket, és klinikai, valamint kvantitatív szakértőkkel együtt rögzítse, hogyan használják a digitális ikreket.
  • Belső és külső stratégiákkal értékelje a modellek kalibrációját, validálását, robusztusságát, átvihetőségét, bizonytalanságát és gyakorlati relevanciáját.
  • Hozzon létre reprodukálható munkafolyamatokat és újra felhasználható digitálisiker-komponenseket a programok és terápiás területek között.
  • Dolgozzon együtt a vizsgálati csapatokkal a célpopulációk, beválasztási kritériumok, dúsítási stratégiák, komparátorok, végpontok, vizitlátogatási ütemezések, adagolási stratégiák és működési kompromisszumok értékelésén.
  • Használjon digitális ikreket és szimulációkat a forgatókönyvek összehasonlítására, a bizonytalanság számszerűsítésére és a modellalapú döntések támogatására.
  • Hangolja össze az elemzéseket a klinikai és szabályozási célokkal statisztikusokkal és farmakometriai szakértőkkel együttműködve.
  • Ismertesse a feltételezéseket, korlátokat és a döntések szempontjából releváns eredményeket műszaki és nem műszaki érintettekkel.
  • Elemezze és integrálja a klinikai vizsgálati adatokat, biomarkereket, képalkotó adatokat, digitális egészségügyi adatokat, omikai adatokat, betegektől származó jelentett eredményeket és valós életből származó adatokat.
  • Működjön együtt az adatmérnöki és platformcsapatokkal elemzésre kész adathalmazok előállításában, adatminőségi ellenőrzések és adatleszármazási nyomon követés kialakításában, valamint reprodukálható adatfeldolgozási folyamatok létrehozásában.
  • Készítsen tudományos dokumentációt, prezentációkat és publikációkat, és támogassa a digitálisiker-módszerek felelős alkalmazását.
  • A modellek fejlesztése előtt határozza meg a tervezett felhasználást, a döntési kontextust, a sikerkritériumokat és a korlátokat.
  • Gondoskodjon arról, hogy a modellek értelmezhetők, auditálhatók, reprodukálhatók és bizonyítékokkal alátámasztottak legyenek.
  • Tartsa be a klinikai adatokra és az analitikai eredményekre vonatkozó irányítási, adatvédelmi, biztonsági és tudományos felülvizsgálati követelményeket.
  • Különítse el a feltáró elemzéseket a validált döntéstámogató bizonyítékoktól, és pontosan mutassa be a modellek képességeit.

Követelmények

  • Doktori fokozat adattudomány, statisztika, biostatisztika, farmakometria, számítástechnika, orvosbiológiai informatika, mérnöki tudományok, matematika, operációkutatás vagy kapcsolódó kvantitatív tudományterületen.
  • Igazolt tapasztalat digitális ikrek, virtuális betegek, betegségprogressziós modellek, klinikai vizsgálati szimulációk, szintetikus kontrollok vagy hasonló számítási modellek fejlesztésében.
  • Erős háttér a gépi tanulás, statisztikai modellezés, oksági következtetés vagy szimuláció alkalmazásában biomedicinális, egészségügyi, gyógyszeripari vagy más összetett tudományos adatokra.
  • Magas szintű programozási készségek Pythonban, R-ben vagy hasonló elemzési nyelven, továbbá tapasztalat verziókezeléssel és reprodukálható munkafolyamatokkal.
  • Elegendő klinikai fejlesztési ismeret ahhoz, hogy releváns kérdéseket fogalmazzon meg és hatékonyan dolgozzon klinikai és kvantitatív vizsgálati szakértőkkel.
  • Képesség és érdeklődés a klinikai vizsgálatok tervezésére vonatkozó ismeretek bővítésére klinikai kutatókkal, biostatisztikusokkal és farmakometriai szakértőkkel együttműködve.
  • Erős írásbeli és szóbeli kommunikáció, valamint eredményes, több szakterületet átfogó tudományos együttműködésben szerzett tapasztalat.
  • Előny a klinikai vizsgálattervezés támogatásában, protokollfejlesztésben, klinikai fejlesztési stratégiában, modellalapú gyógyszerfejlesztésben vagy szabályozó hatóságok számára készülő kvantitatív bizonyítékok terén szerzett tapasztalat.
  • Jártasság a vizsgálattervezés témáiban, például végpontstratégia, mintanagyságra vagy statisztikai erőre vonatkozó feltételezések, betegkiválasztás vagy dúsítás, longitudinális kimenetelek, hiányzó adatok, adaptív tervek vagy döntési kritériumok.
  • Ismeretek a digitálisiker-architektúra és -validálás, az oksági következtetés, a Bayes-féle modellezés, a túlélésanalízis, a longitudinális modellezés, a klinikai vizsgálati szimuláció vagy a szintetikus kontrollok területén.
  • Tapasztalat klinikai adatstandardokkal és a klinikai fejlesztésben gyakran használt adatforrásokkal.
  • Tapasztalat biomarkerekkel, képalkotó, omikai, digitális egészségügyi vagy valós életből származó adatokkal, több adattípus integrációját is beleértve.
  • Tapasztalat skálázható, felhőalapú elemzési környezetek használatában.
  • Az elemzőmunka döntésekké, újra felhasználható képességekké, publikációkká, prezentációkká vagy más mérhető tudományos eredményekké alakításának igazolható múltja.

Kapcsolódó állások

Ritchie Bros.

Vezető adattudós, Chicago (hibrid)

Ritchie Bros.

Vezessen adattudományi csapatokat skálázható gépi tanulási és fejlett analitikai megoldások kidolgozásában. Dolgozzon együtt az informatikával, a vezetőkkel, a termékcsapatokkal és más érdekelt felekkel vállalati szintű kezdeményezéseken.

Megnyitás
Ritchie Bros.

Vezető adatelemző

Ritchie Bros.

Vezessen egy adatelemző csapatot, amely skálázható gépi tanulási és fejlett analitikai megoldásokat épít az üzlet számára. Irányítsa és mentorálja az adatelemzőket, felügyelje a modellek fejlesztését, és működjön együtt az IT-, termékfejlesztési és vezetői csapatokkal, valamint más érintettekkel.

Megnyitás
Capital One

Adattudós vezető – Alternatívadat-stratégia

Capital One

Vezesse a Capital One adatkutatási munkáját, amely az alternatív adatok felhasználását értékeli az amerikai kártyás hiteldöntésekhez. Fejlesszen gépi tanulási modelleket, adatjellemzőket és méretezhető megfigyelőrendszereket.

Megnyitás
COUNTRY Financial®

Vezető adattudós

COUNTRY Financial®
5001 – 10 000 Alkalmazottak
BefektetésekBiztosításPénzügy

Prediktív modelleket és mesterségesintelligencia-megoldásokat fejleszt a COUNTRY Financial biztosítási és befektetési szolgáltatásaihoz. Fejlett analitikával, előrejelzéssel és optimalizálással ér el mérhető üzleti eredményeket.

Megnyitás
Grubhub

Szenior vezető adattudós, Piactér

Grubhub

Határozza meg a Wonder piacterének adattudományi és gépi tanulási irányát. Irányítsa az oksági következtetést, a kísérletezést, az éles rendszereket és a csapatokon átívelő műszaki munkát.

Megnyitás