Plenful
Plenful
Plenful ontwikkelt AI-software voor workflowautomatisering voor apotheek- en infusieteams. Het platform koppelt gegevens uit API's, HL7, SFTP-servers, pdf's en databases om administratieve taken uit te voeren, zoals 340B-audits en -optimalisatie, het vastleggen van verwijzingen, rebatebeheer, informatie over de Maximum Fair Price, voorafgaande toestemming en orderinvoer. Plenful bedient zorgsystemen, gespecialiseerde apotheken, infusiepraktijken en zorgverlenersgroepen. De focus ligt op conforme bedrijfsvoering, omzetbehoud en minder handmatig werk.

Staff Machine-Learning Engineer, Plenful (San Francisco, hybride werkplek)

Bepaal de productiestrategie voor machine-learningagenten, modelpost-training en evaluatie. Bouw AI-automatisering voor de gezondheidszorg die administratief werk vermindert en de naleving versterkt.

Beschrijving

  • Ontwerp productieklare agenten voor toolgebruik, retrieval, status- en contextbeheer, routering, orkestratie, tracing en foutherstel.
  • Zet succesvolle aanpakken om in herbruikbare engineeringpatronen.
  • Bepaal of modellen en platformcomponenten intern worden gebouwd of ingekocht.
  • Bepaal de post-trainingstrategie van het bedrijf.
  • Train en implementeer LLM's en vision-languagemodellen voor toepassingen in de gezondheidszorg.
  • Ontwikkel interne mogelijkheden voor doorlopende modeltraining.
  • Maak evaluaties die verbeteringen in productie aantonen.
  • Bepaal de AI-kwaliteitsstrategie voor geautomatiseerde beoordelaars, gekalibreerde LLM-beoordelaars, regressiesuites, menselijke beoordeling, foutclassificaties en validatie van offline naar online.
  • Baseer releas beslissingen op evaluatieresultaten.
  • Bouw systemen die fouten in productie en feedback van gebruikers benutten om datasets, evaluaties en modellen te verbeteren.
  • Stel normen vast voor datasetversiebeheer, observability en MLOps.
  • Bepaal samen met de leiding van engineering en product de ML-roadmap voor de komende twaalf maanden.
  • Leid technische reviews, begeleid senior engineers en draag bij aan werving.
  • Ontwerp met privacy als uitgangspunt: gebruik alleen noodzakelijke gegevens, waar passend gedeïdentificeerde of synthetische gegevens en werkwijzen die rekening houden met HIPAA.
  • Beoordeel in de eerste 30 dagen de agenten, evaluaties en trainingspipeline en benoem de drie grootste hiaten.
  • Lever uiterlijk op dag 90 een verbetering in post-training of evaluatie op die een productiemaatstaf verbetert.
  • Publiceer uiterlijk op dag 90 het teamplan voor de volgende twee kwartalen.

Vereisten

  • Minimaal 8 jaar ervaring in ML of softwareontwikkeling, waarvan minstens 3 jaar met het leiden van productieklare LLM- of agentsystemen.
  • Praktische ervaring met post-training van begin tot eind, zoals supervised fine-tuning, voorkeuroptimalisatie, distillatie of reinforcement learning.
  • Ervaring met het uitrollen van een model dat een productiemaatstaf heeft verbeterd.
  • Ervaring met het ontwerpen van evaluatiestrategieën voor LLM's of agenten die releasebeslissingen ondersteunden.
  • Ervaring met de architectuur van productieklare agentsystemen.
  • Ervaring met LangGraph, RAG en tools voor vectorzoeken zoals Pinecone.
  • Sterke vaardigheden in Python en PyTorch.
  • Bekendheid met tools voor distributed training en serving, zoals vLLM, FSDP of DeepSpeed.
  • MLOps-ervaring met Docker, Kubernetes, MLflow of vergelijkbare tools, CI/CD en het bijhouden van experimenten en datasets.
  • In staat om zonder formele bevoegdheid invloed uit te oefenen via ontwerpdocumenten, reviews en begeleiding.
  • Actuele kennis van nieuwe modellen en coding agents.
  • In staat om papers en releases om te zetten in experimenten en resultaten kwantitatief te rapporteren.
  • Aantoonbare bijdragen waar anderen gebruik van maken, zoals bijdragen aan open source, artikelen, lezingen of evaluaties.
  • Pré: ervaring met zorggegevens zoals EHR, FHIR, declaraties of voorafgaande machtigingen.
  • Pré: publicaties of bijdragen aan open source op het gebied van LLM-evaluatie, post-training of agenten.
  • Pré: ervaring met sollicitatiegesprekken en het aannemen van ML-engineers.
  • Pré: ervaring in een ander gereguleerd vakgebied met hoge inzet.

Voordelen

  • Flexibel hybride werken met een remote-first aanpak en een betekenisvolle aanwezigheid op kantoor in San Francisco en New York.
  • Volledige dekking voor medische, tandheelkundige en oogzorg voor medewerkers, met mogelijkheid tot deelname voor gezinsleden.
  • 401(k)-pensioenregeling met een werkgeversbijdrage van 50% over de eerste 3% van de eigen inleg.
  • Aandelen voor alle fulltime medewerkers.
  • Onbeperkt betaald verlof.
  • Wekelijks $100 lunchvergoeding.
  • Maandelijks $100 vergoeding voor welzijn.
  • Maandelijks $100 woon-werkverkeer vergoeding voor medewerkers in San Francisco en New York.
  • Doorbetaald ouderschapsverlof.
  • Mogelijkheden voor professionele groei.
  • Een missiegedreven team met ervaren collega's.
  • Samenwerking met ervaren, goed presterende leidinggevenden.

Gerelateerde vacatures

U.S. Bank

Principal AI-engineer voor versnelling van enterprise-AI

U.S. Bank

U versnelt de veilige, schaalbare invoering van AI bij U.S. Bank met generatieve AI-oplossingen, herbruikbare engineeringframeworks en intelligente automatisering. Samen met teams uit de business en technologie brengt u AI-toepassingen voor de hele organisatie van concept tot productie.

Openen
BigHat Biosciences

Director Machine Learning voor antilichaamontwerp

BigHat Biosciences

Bepaal de machinelearningstrategie en de modellering voor antilichaamontwerp bij BigHat Biosciences door geavanceerde modellen, laboratoriumgegevens en LLM-automatisering samen te brengen. Geef leiding aan een ervaren multidisciplinair team en help ontwerpcycli te verbeteren waarin elke week meer dan 2.000 antilichamen worden ontworpen.

Openen
Poesis AI

Lead-engineer machine learning voor financiële AI

Poesis AI

Ontwikkel voorspellende signalen, machinelearningmodellen voor productie en evaluatiesystemen voor het autonome beleggingsplatform van Poesis AI. Pas AI toe op financiële gegevens en verbeter modellen en agents met behulp van beleggingsresultaten uit de praktijk.

Openen