HMH 为 K–12 阶段教育开发课程、评估工具和学习资源。其项目涵盖读写、数学、科学、社会研究和社会情感学习，并提供专业发展支持，帮助教育工作者提升教学实践、支持学生学习。
机器学习工程师，AWS SageMaker
将可解释的学生评估模型从开发阶段投入 AWS SageMaker 生产环境。通过可靠的建模、部署、监控和持续改进，为 HMH 学习产品提供支持。
描述
- 负责模型全生命周期，涵盖数据准备、训练、部署、监控和版本更新
- 在模型拟合前后探索并验证数据，并记录分析结果
- 使用 Python、SageMaker 训练任务和流水线训练并验证模型
- 在 MLflow 中记录实验，并在发布前使用留出群体验证模型
- 注册、晋级和部署模型版本时，清晰记录模型数据、代码、权重和服务的沿袭关系
- 通过代码审查和持续集成发布模型
- 借助特征存储和 Snowflake，通过实时端点和批量评分提供模型服务
- 优化模型延迟、成本和容量
- 使用仪表板和告警跟踪预测质量、故障和漂移
- 每月检查生产环境健康状况，并主导无责复盘
- 依据生产环境证据提出模型改进建议，并为团队 RFC 提供参考
- 协助分析、产品和数据团队理解并应用模型输出
- 在与业务流对齐的团队中与高级或资深工程师协作
- 开发可跨学科或课程体系泛化的模型，无需为不同场景维护独立代码分支
- 在在线服务持续可用的同时，为大规模学生群体重新评分
- 并行运行多个模型版本，并安全地停用旧版本
- 在保持模型输出不变的前提下，提升训练和服务效率
任职要求
- 具备交付他人依赖的模型或机器学习系统的实践经验
- 对于 IC4，通常需要至少三年实操经验，或具备博士学位及相关实践经验
- 预期拥有定量学科（包括心理测量学）的硕士或博士学位
- 能够编写符合 Python 惯例、带类型标注且经过测试的代码
- 熟悉 CI/CD、GitHub Actions 和使用 Terraform 管理的基础设施
- 具备扎实的 SQL 技能
- 具备统计学基础，包括后验、似然概念和校准图
- 熟练进行探索性数据分析
- 具备出色的技术写作能力
- 了解 AWS，熟悉 SageMaker 者优先
- 了解 MLflow 等实验跟踪工具
- 能够判断工作何时适合发布，并以证据支持这一判断
- 以下经验或知识将有所帮助：心理测量学或教育测量；认知诊断模型或贝叶斯网络；使用 Stan 或 PyMC 进行概率编程；R；Snowflake 和 dbt；Terraform；GitHub Actions；知识图谱或本体；以及 K–12 评估数据
- 必须获准在美国工作；HMH 参与 E-Verify
福利待遇
- 年薪范围为 110,000 至 115,000 美元
- 致力于提供平等就业机会
- 营造免受歧视和骚扰的工作环境
