Benevity yra įmonėms skirtų SaaS sprendimų bendrovė, daugiausia dėmesio skirianti socialiniam poveikiui. Jos „Benevity Enterprise Impact Platform“ padeda didelėms organizacijoms vienoje sistemoje valdyti darbuotojų aukojimą, aukų sumų prilyginimą, aukojimą per darbo užmokesčio sistemą, savanorystę, dotacijas, darbuotojų grupes, iššūkius ir poveikio ataskaitas. Platforma taip pat palaiko pasaulinius išmokėjimus, ne pelno organizacijų patikros procesus, atitiktį reikalavimams ir rizikos kontrolę. Dirbtiniu intelektu grindžiama automatizacija skirta programų administravimui ir poveikio vertinimui supaprastinti. Specialistams, besidomintiems B2B programine įranga, SaaS ar socialinio poveikio technologijomis, Benevity suteikia galimybę dirbti su produktais, kurie susieja darbo vietos programas su labdaros organizacijomis ir išmatuojamais bendruomenės rezultatais.
Vyresnysis duomenų ir dirbtinio intelekto mokslininkas įmonėje „Benevity“ – Torontas, hibridinis darbas
Vyresnysis duomenų ir dirbtinio intelekto mokslininkas kurs mašininio mokymosi modelius, analitikos sprendimus ir DI prototipus „Benevity“ socialinio poveikio SaaS platformai. Pareigos orientuotos į gamybinius modelius, klientų patirtį ir automatizavimą.
Aprašymas
- Kurk mašininio mokymosi ir statistinius modelius rekomendacijoms, prognozėms ir klasifikavimui
- Tyrinėk duomenis, kurk požymius ir iš anksto apdorok duomenų rinkinius modeliams mokyti bei vertinti
- Vertink modelių našumą naudodamas tinkamus rodiklius ir tobulink metodus eksperimentuodamas
- Bendradarbiauk su duomenų analitikais ir produkto suinteresuotosiomis šalimis, kad išgrynintum naudojimo atvejus ir nustatytum sėkmės kriterijus
- Kurk prototipus ir lygink metodus natūralios kalbos apdorojimo, reprezentacijų mokymosi ir laiko eilučių prognozavimo srityse
- Teik pritaikomas įžvalgas naudodamas pažangiąją analitiką, segmentavimą ir statistinę analizę
- Pristatyk išvadas ir modelių rezultatus įvairių sričių komandoms
- Padėk vykdyti A/B testavimą ir modelių validavimo veiklas
- Kurk prietaisų skydelius ir stebėsenos įrankius modelių būklei po įdiegimo bei pagrindiniams verslo rodikliams stebėti
- Bendradarbiauk su produkto ir DI inžinerijos komandomis diegiant modelius ir jungiant juos su vidinėmis paslaugomis bei API
- Kurk atkuriamus mokymo procesus ir bloknotus, laikydamasis versijų valdymo bei dokumentavimo standartų
- Padėk kurti pakartotinai naudojamus modelių komponentus ir požymių saugyklas
- Stebėk duomenų, mašininio mokymosi ir DI ekosistemos raidą bei vertink naujus įrankius ir sistemas
- Gerink komandos efektyvumą ir skaidrumą naudodamas dokumentaciją bei vidinius įrankius
Reikalavimai
- 4–6 metų patirtis duomenų mokslo, mašininio mokymosi inžinerijos ar taikomojo DI srityje, pageidautina SaaS arba technologijų produkto aplinkoje
- Patirtis kuriant klientams skirtus arba verslui svarbius modelius, įskaitant vertinimo, personalizavimo ar anomalijų aptikimo modelius
- Bendradarbiavimo principu grindžiamų programinės įrangos kūrimo praktikų, tokių kaip Git, kodo peržiūra ir mašininio mokymosi CI/CD, išmanymas
- Duomenų mokslo, informatikos, statistikos, inžinerijos ar susijusios srities bakalauro arba magistro laipsnis
- Geri Python, SQL, Jupyter ir Git įgūdžiai
- Patirtis naudojant scikit-learn, XGBoost, LightGBM ir pagrindines TensorFlow arba PyTorch funkcijas
- Patirtis naudojant Pandas, NumPy, DBT, BigQuery, Snowflake ar panašius duomenų įrankius
- Patirtis naudojant MLflow ir Airflow
- Patirtis naudojant bent vieną debesijos platformą: GCP/Vertex AI, AWS/SageMaker arba Azure ML
- Gilus modelių vertinimo, persimokymo, šališkumo, dispersijos, kryžminės validacijos ir A/B testavimo supratimas
- Modelių patikimumo, interpretuojamumo ir įtraukumo vertinimo patirtis būtų privalumas
- Docker arba Kubernetes patirtis būtų privalumas
- Požymių saugyklų, tokių kaip Tecton ar Feast, patirtis nėra būtina, tačiau būtų naudinga
- Gilusis mokymasis, grafų mašininis mokymasis, natūralios kalbos apdorojimas ar pastiprinamasis mokymasis būtų didelis privalumas
- Gamybinė mašininio mokymosi modelių diegimo ir stebėsenos patirtis, įskaitant automatinį perkvalifikavimą, registravimą ir našumo sekimą, yra itin vertinama
- Puikūs komunikacijos įgūdžiai, įskaitant gebėjimą sudėtingas technines temas paaiškinti techninei ir netechninei auditorijai
- Mašininio mokymosi etinių aspektų, įskaitant sąžiningumą, šališkumą ir DI paaiškinamumą, išmanymas
Privalumai
- Lanksčios hibridinio darbo sąlygos
- Netoli biuro gyvenantiems darbuotojams netaikomas nustatytas privalomas darbo biure grafikas
- Galimybės dirbti su novatoriškais projektais
- Profesinio tobulėjimo galimybės
- Palaikantys kolegos
- Prasmingas darbas
- Darbuotojų išteklių grupės
- Lygios galimybės visiems kandidatams ir darbuotojams
- Pritaikymas kandidatams su negalia viso įdarbinimo ir vertinimo proceso metu