Benevity, sosyal etki alanına odaklanan kurumsal bir SaaS şirketidir. Benevity Enterprise Impact Platform, büyük kuruluşların çalışan bağışları, bağış eşleştirme, bordro üzerinden bağış, gönüllülük, hibeler, çalışan grupları, kampanyalar ve etki raporlamasını tek bir sistem üzerinden yönetmesine yardımcı olur. Platform ayrıca küresel ödemeleri, kâr amacı gütmeyen kuruluşlar için durum tespiti süreçlerini, uyumluluğu ve risk kontrollerini destekler; yapay zekâ destekli otomasyon, program yönetimini ve ölçümünü kolaylaştırmak üzere tasarlanmıştır. B2B yazılım, SaaS veya sosyal etki teknolojisi alanlarında kariyer fırsatlarını değerlendiren profesyoneller için Benevity, iş yeri programlarını yardım kuruluşlarıyla ve ölçülebilir toplumsal sonuçlarla buluşturan ürünler üzerinde çalışma fırsatı sunar.
Benevity’de Kıdemli Veri ve Yapay Zekâ Bilimcisi — Toronto Hibrit
Benevity’nin sosyal etki odaklı SaaS platformu için makine öğrenmesi modelleri, analizler ve yapay zekâ prototipleri geliştirir. Rol; üretim modellerine, müşteri deneyimine ve otomasyona odaklanır.
Açıklama
- Öneriler, tahminler ve sınıflandırma için makine öğrenmesi ve istatistiksel modeller geliştirmek
- Verileri incelemek, özellikler oluşturmak ve veri kümelerini model eğitimi ile değerlendirmesi için ön işlemek
- Uygun metriklerle model performansını değerlendirmek ve deneyler yoluyla yaklaşımları geliştirmek
- Kullanım senaryolarını netleştirmek ve başarı ölçütlerini belirlemek için veri analistleri ve ürün paydaşlarıyla iş birliği yapmak
- NLP, temsil öğrenmesi ve zaman serisi tahmini yöntemlerini prototiplemek ve karşılaştırmalı olarak değerlendirmek
- İleri analitik, segmentasyon ve istatistiksel analiz yoluyla uygulanabilir içgörüler üretmek
- Bulguları ve model sonuçlarını farklı ekiplerle paylaşmak
- A/B testlerini ve model doğrulama çalışmalarını desteklemek
- Dağıtım sonrasında model sağlığını ve iş KPI’larını izlemek için panolar ve izleme araçları oluşturmak
- Modelleri dağıtmak ve arka uç servisleri ile API’lere bağlamak için ürün ve yapay zekâ mühendisliği ekipleriyle iş birliği yapmak
- Sürümleme ve dokümantasyon standartlarını kullanarak tekrarlanabilir eğitim işlem hatları ve not defterleri oluşturmak
- Yeniden kullanılabilir model bileşenleri ve özellik depoları geliştirilmesine katkı sağlamak
- Veri, makine öğrenmesi ve yapay zekâ ekosistemindeki gelişmeleri izlemek; yeni araçları ve çerçeveleri değerlendirmek
- Dokümantasyon ve kurum içi araçlarla ekibin verimliliğini ve şeffaflığını artırmak
Gereksinimler
- Tercihen bir SaaS veya teknoloji ürünü ortamında veri bilimi, makine öğrenmesi mühendisliği ya da uygulamalı yapay zekâ alanında 4–6 yıl deneyim
- Puanlama, kişiselleştirme veya anomali tespiti dahil olmak üzere müşteriye dönük ya da iş etkisi yaratan modeller geliştirme deneyimi
- Makine öğrenmesi için Git, kod incelemesi ve CI/CD gibi iş birliğine dayalı yazılım geliştirme uygulamalarına aşinalık
- Veri Bilimi, Bilgisayar Bilimi, İstatistik, Mühendislik veya ilgili bir alanda lisans ya da yüksek lisans derecesi
- Python, SQL, Jupyter ve Git konusunda yetkinlik
- scikit-learn, XGBoost, LightGBM ve temel düzeyde TensorFlow ya da PyTorch deneyimi
- Pandas, NumPy, DBT, BigQuery, Snowflake veya benzer veri araçlarıyla deneyim
- MLflow ve Airflow deneyimi
- En az bir bulut platformunu kullanma deneyimi: GCP/Vertex AI, AWS/SageMaker veya Azure ML
- Model değerlendirme, aşırı uyum, yanlılık, varyans, çapraz doğrulama ve A/B testleri konusunda güçlü anlayış
- Model sağlamlığını, yorumlanabilirliğini ve kapsayıcılığını değerlendirme deneyimi avantajdır
- Docker veya Kubernetes deneyimi avantajdır
- Tecton veya Feast gibi özellik depolarıyla deneyim isteğe bağlı olmakla birlikte faydalıdır
- Derin öğrenme, grafik makine öğrenmesi, NLP veya pekiştirmeli öğrenme alanlarına aşinalık önemli bir avantajdır
- Otomatik yeniden eğitim, günlükleme ve performans takibi dahil olmak üzere makine öğrenmesi modellerini üretimde dağıtma ve izleme deneyimi büyük değer taşır
- Karmaşık teknik konuları teknik ve teknik olmayan kitlelere açıklayabilme dahil güçlü iletişim becerileri
- Adillik, yanlılık ve yapay zekâ açıklanabilirliği dahil makine öğrenmesindeki etik hususlara ilişkin farkındalık
Yan Haklar
- Esnek hibrit çalışma düzenlemeleri
- Bir ofisin yakınında bulunan çalışanlar için sabit ofise gelme zorunluluğunun olmaması
- Yenilikçi projelerde çalışma fırsatları
- Mesleki gelişim fırsatları
- Destekleyici çalışma arkadaşları
- Amaç odaklı çalışma
- Çalışan kaynak grupları
- Tüm adaylar ve çalışanlar için eşit fırsat
- Engelli adaylar için işe alım ve değerlendirme süreci boyunca uygun düzenlemeler