A Benevity társadalmi hatásokra összpontosító vállalati SaaS-cég. Benevity Enterprise Impact Platform platformja egyetlen rendszerben segíti a nagy szervezeteket a munkavállalói adományozás, az adományok kiegészítése, a bérből történő adományozás, az önkéntesség, a támogatások, a munkavállalói csoportok, a kihívások és a hatásjelentések kezelésében. A platform emellett támogatja a globális pénzkifizetéseket, a nonprofit szervezetek átvilágítását, a megfelelést és a kockázatkezelést. A mesterséges intelligenciára épülő automatizálást a programok adminisztrációjának és mérésének egyszerűsítésére tervezték. A B2B-szoftverek, a SaaS vagy a társadalmi hatású technológiák területén lehetőségeket kereső szakemberek számára a Benevity olyan termékeken való munkát kínál, amelyek összekapcsolják a munkahelyi programokat a jótékonysági szervezetekkel és a mérhető közösségi eredményekkel.
Senior adat- és mesterségesintelligencia-kutató a Benevitynél — hibrid munkavégzés Torontóban
Gépi tanulási modelleket, elemzéseket és MI-prototípusokat fejleszt a Benevity társadalmi hatásra épülő SaaS-platformjához. A munkakör a termelési modellekre, az ügyfélélményre és az automatizálásra összpontosít.
Leírás
- Gépi tanulási és statisztikai modellek fejlesztése ajánlásokhoz, előrejelzésekhez és osztályozáshoz
- Adatok feltárása, jellemzők létrehozása, valamint adathalmazok előfeldolgozása a modellek tanításához és értékeléséhez
- A modellek teljesítményének megfelelő mérőszámokkal történő értékelése és a megközelítések kísérletekkel való finomítása
- Együttműködés adatelemzőkkel és termékoldali érdekelt felekkel a felhasználási esetek tisztázása és a sikerkritériumok meghatározása érdekében
- NLP-, reprezentációtanulási és idősorelemzési módszerek prototípusainak elkészítése és összehasonlító értékelése
- Hasznosítható megállapítások készítése fejlett elemzéssel, szegmentálással és statisztikai elemzéssel
- Eredmények és modellkimenetek bemutatása több szakterületet képviselő csapatoknak
- A/B-tesztek és modellvalidálási tevékenységek támogatása
- Irányítópultok és monitorozási eszközök létrehozása a telepítés utáni modellállapot és az üzleti KPI-ok követésére
- Együttműködés a termék- és MI-mérnöki csapatokkal a modellek telepítésében, valamint a háttérszolgáltatásokhoz és API-khoz való csatlakoztatásában
- Reprodukálható tanítási folyamatok és jegyzetfüzetek készítése verziókezelési és dokumentációs szabványok alkalmazásával
- Újrafelhasználható modellkomponensek és jellemzőtárak fejlesztésének támogatása
- Az adat-, gépitanulási- és MI-ökoszisztéma fejlődésének nyomon követése, valamint új eszközök és keretrendszerek értékelése
- A csapat hatékonyságának és átláthatóságának javítása dokumentációval és belső eszközökkel
Követelmények
- 4–6 év tapasztalat adattudomány, gépitanulási mérnökség vagy alkalmazott MI területén, lehetőleg SaaS- vagy technológiai termékkörnyezetben
- Ügyféloldali vagy üzleti hatást kifejtő modellek fejlesztésében szerzett tapasztalat, beleértve a pontozást, a személyre szabást és az anomáliadetektálást
- A gépi tanuláshoz kapcsolódó együttműködésen alapuló szoftverfejlesztési gyakorlatok, például a Git, a kódellenőrzés és a CI/CD ismerete
- Adattudományi, számítástechnikai, statisztikai, mérnöki vagy kapcsolódó területen szerzett alap- vagy mesterfokú végzettség
- Python, SQL, Jupyter és Git magas szintű ismerete
- Tapasztalat a scikit-learn, az XGBoost, a LightGBM, valamint a TensorFlow vagy a PyTorch alapjainak használatában
- Tapasztalat a Pandas, a NumPy, a DBT, a BigQuery, a Snowflake vagy hasonló adateszközök használatában
- MLflow- és Airflow-tapasztalat
- Legalább egy felhőplatform használatában szerzett tapasztalat: GCP/Vertex AI, AWS/SageMaker vagy Azure ML
- A modellértékelés, a túlillesztés, a torzítás, a variancia, a keresztvalidáció és az A/B-tesztelés alapos ismerete
- A modellrobosztusság, az értelmezhetőség és az inkluzivitás értékelésében szerzett tapasztalat előnyt jelent
- A Docker- vagy Kubernetes-tapasztalat előnyt jelent
- A Tectonhoz vagy Feasthez hasonló jellemzőtárakkal szerzett tapasztalat nem kötelező, de hasznos
- A mélytanulás, a gráfalapú gépi tanulás, az NLP vagy a megerősítéses tanulás ismerete jelentős előnyt jelent
- Nagyra értékeljük a gépi tanulási modellek éles környezetben történő telepítésében és monitorozásában szerzett tapasztalatot, beleértve az automatikus újratanítást, a naplózást és a teljesítménykövetést
- Erős kommunikációs készség, beleértve az összetett technikai témák technikai és nem technikai közönség számára történő magyarázatát
- A gépi tanulás etikai szempontjainak ismerete, beleértve a méltányosságot, a torzítást és az MI értelmezhetőségét
Juttatások
- Rugalmas hibrid munkavégzési lehetőségek
- Az iroda közelében élő munkatársak számára nincs kötelező, rögzített irodai jelenlét
- Lehetőség innovatív projekteken való munkára
- Szakmai fejlődési lehetőségek
- Támogató kollégák
- Célorientált munka
- Munkavállalói erőforráscsoportok
- Egyenlő esély minden jelölt és munkatárs számára
- Akadálymentesítési lehetőségek a fogyatékossággal élő jelöltek számára a kiválasztási és értékelési folyamat teljes ideje alatt