Vereinigte Staaten
The MITRE Corporation
Nivoda
Senior AI/ML Engineer
RemoteVereinigte Staaten
Dover, New Hampshire, United States
TypeScriptNode.jsPostgreSQLAWSKubernetesGo
Automatische Übersetzung. Prüfe das Original.
Technologie-Stack
Standort: US - NYC, Boston
Gehalt: 200.000 $ - 280.000 $
Suche: OpenSearch, gespeist über CDC aus PostgreSQL plus Spark/EMR/Glue Ingestion Jobs. Keine Vektor-Datenbanken in der Produktion – Embedding-basierte Suche, das Ranking-Modell und die Bild-Embedding-Suche sind echte Neuentwicklungen für denjenigen, der die Discovery-Rolle übernimmt.
Core DB / Warehouse: PostgreSQL (OLTP) → Snowflake (dbt-modelliert, Medallion Raw/Curated/Presentation Layer)
Backend: TypeScript/Node.js, GraphQL API Gateway, Nx Monorepo + PNPM
Authentifizierung: Keycloak · SSO: Okta
CI/CD: Jenkins („Nivoda Build“) + GitOps für Deployments
Cloud: AWS (EMR, Glue, DMS, Kubernetes-basierte Deployments)
Observability: Grafana für Logs/Traces
❤️ Chancengleichheit
Nivoda ist ein Arbeitgeber, der Chancengleichheit fördert. Wir sind bestrebt, ein vielfältiges und integratives Team aufzubauen, und begrüßen Bewerbungen von Menschen aller Hintergründe, unabhängig von Rasse, Geschlecht, Alter, Religion, sexueller Orientierung, Behinderung oder anderen gesetzlich geschützten Merkmalen. Auch wenn Sie nicht 100 % unserer Muss-Kriterien erfüllen, lassen Sie sich davon nicht abhalten, sich zu bewerben – wir würden uns trotzdem freuen, von Ihnen zu hören.
👋 Nicht ganz die richtige Rolle?
Treten Sie dem Nivoda Talent Pool bei und wir werden uns melden, wenn etwas Passenderes verfügbar ist.
💎 Über Nivoda
Nivoda ist das Betriebssystem für die globale Schmuckindustrie. Wir verbinden Diamanten- und Edelsteinlieferanten direkt mit Juwelier-Einzelhändlern in über 70 Ländern und ersetzen eine langsame, Offline-basierte und beziehungsabhängige Handelsweise durch einen einzigen digitalen Marktplatz. Wir wickeln bereits Transaktionen im Wert von über 300 Mio. $ jährlich ab, in einer Branche mit einem weltweiten Wert von über 350 Mrd. $ – und wir stehen noch am Anfang. Schmuck ist eine der letzten großen globalen Branchen, die digitalisiert wird, und wir bauen die Infrastruktur dafür.
🤔 Unsere Mission
Der Handel mit Diamanten und Edelsteinen läuft seit Jahrzehnten über fragmentierte Netzwerke, manuelle Prozesse und Beziehungen – was kleinere und neuere Unternehmen ausschließt und selbst die größten Akteure Zeit und Marge durch Ineffizienz kostet. Wir haben Nivoda gegründet, um das zu ändern: um jedem Schmuckunternehmen, unabhängig von seinem Standort und seiner Größe, den gleichen Zugang, die gleiche Preistransparenz und die gleiche einfache Abwicklung zu ermöglichen wie einem Branchenriesen. Unsere Mission ist es, den Kauf und Verkauf von Diamanten und Edelsteinen weltweit radikal zu vereinfachen.
⭐️ Der Discovery Pod
Sie würden dem Discovery Pod 🔍 beitreten – dem Team, das dafür sorgt, dass Hunderttausende von Diamanten und Edelsteinen tatsächlich gefunden werden. Das bedeutet Ranking, Empfehlungen und Suchfunktionen: von der Kern-Such- und Filtererfahrung über kontextbezogene Suche und einen geplanten Konversationsassistenten bis hin zur bildbasierten Suche, die es einem Käufer ermöglicht, ein passendes Produkt anhand eines Fotos zu finden. Dieselbe Ranking- und Empfehlungs-Engine, die Sie entwickeln werden, muss sowohl den eigenen Marktplatz von Nivoda als auch die vielen individuell gebrandeten Shops bedienen, die Juweliere über unsere SAAS-Produkte betreiben. Wir sind ein kleines Team mit hoher Eigenverantwortung, und dieser Pod baut das KI-gestützte Produkt selbst, nicht nur mit KI-Tools, um schneller zu werden.
Über die Rolle
Wir suchen einen Senior AI/ML Engineer für den Discovery Pod, der uns beim Aufbau und Betrieb der Ranking-, Empfehlungs- und Suchsysteme unterstützt, auf die sich Käufer verlassen, um den richtigen Stein oder das richtige Schmuckstück in Sekundenschnelle zu finden. Dies ist echte Information Retrieval und angewandte ML-Arbeit auf Produktionsinfrastruktur – Suchsysteme, Embedding-basierte Suche, Learning-to-Rank, LLM-gestützte kontextbezogene und konversationelle Suche, Bild-Embeddings für die bildbasierte Suche – nicht das Konfigurieren eines gehosteten Such-Widgets oder das Aufrufen einer API und das Weitergehen. Sie werden Modelle End-to-End verantworten, von Features und Training über Evaluierung, Deployment und Monitoring, und es wird erwartet, dass Sie verstehen, wie diese probabilistischen Systeme funktionieren und versagen, denn dieses Verständnis ist der Job, keine zusätzliche Fähigkeit.
⭐️ Unsere Kultur und was wir bieten
Wir sind ein kollaboratives, wachstumsstarkes Team, das an Empowerment statt Hierarchie glaubt. Sie erhalten vom ersten Tag an echte Verantwortung, die Chance, an Problemen zu arbeiten, von denen die meisten Unternehmen noch nicht einmal wissen, dass sie existieren, und eine Kultur, die Lernen und Wachstum ernst nimmt – denn wir skalieren schnell und brauchen Sie, um mit uns zu wachsen.
Was würden Sie tun?
Kern-Suchmaschine
- Aufbau und Betrieb echter Suchinfrastruktur – Elasticsearch/OpenSearch, Vespa oder Vektor-Suchdatenbanken wie pgvector, Pinecone oder Weaviate – zur Unterstützung von Ranking und multimodaler Suche im Nivoda-Marktplatz
- Entwurf von Multi-Tenant-, konfigurierbaren Ranking- und Empfehlungssystemen, die sowohl den eigenen Marktplatz von Nivoda als auch viele individuell gebrandete Juwelier-Shops über Feeds bedienen, ohne den Code zu forken
Multimodale KI
- Aufbau und Verbesserung der kontextbezogenen Suche und unseres geplanten Konversationsassistenten unter Verwendung von Prompt-Design und Retrieval-Augmented-Ansätzen, wobei Szenarien mit null Ergebnissen und Kompromissen anmutig behandelt werden, anstatt mit einer zuversichtlich falschen Antwort konfrontiert zu werden
- Aufbau von Pipelines für Bild-zu-Attribut- und Bild-zu-Produkt-Abgleich unter Verwendung von Bild-Embeddings für unsere bildbasierte Suchfunktion
- Aufbau des Produkts rund um die Realität, dass probabilistische Systeme zuversichtlich falsch sein können – Entwurf von Wiederherstellungspfaden und Bestätigungsschritten vor hochriskanten Aktionen, wie z. B. der Generierung eines Herstellungsangebots aus einem interpretierten Bild
Experimentation & Qualität
- Definition und Durchführung von such- und ranking-spezifischen Evaluierungen – Offline-Ranking-Metriken, Interleaving-Experimente –, um festzustellen, ob eine Ranking-Änderung tatsächlich besser und nicht nur anders ist
- Evaluierung und Stresstests von Foundation-Modellen und LLM-Ausgaben direkt als Teil des Engineering-Prozesses, anstatt sie standardmäßig zu vertrauen
Produktions-ML
- Verantwortung für den gesamten Lebenszyklus von Ranking- und Empfehlungsmodellen – Features, Training, Evaluierung, Deployment und Monitoring – unter Verwendung von Learning-to-Rank-, Embedding-basierten Retrieval- und Collaborative-Filtering-Techniken
- Entwurf und Optimierung von Low-Latency-, Echtzeit-Modell-Serving-Systemen, die die Suche unter Produktionslast sofortig erscheinen lassen
- Nutzung von KI-Coding-Agenten zum Aufbau von ML-Infrastruktur und Pipelines, gepaart mit rigorosen Evaluierungs-Harnesses, die Ranking- und Retrieval-Fehler erkennen, die ein System verbergen kann, während es so aussieht, als würde es funktionieren
Was wir von Ihnen brauchen?
- Jahre Erfahrung: 5-10 Jahre
- Erfahrung mit Information-Retrieval-Infrastruktur – Aufbau oder Betrieb echter Suchsysteme (Elasticsearch/OpenSearch, Vespa oder Vektor-Suchdatenbanken wie pgvector, Pinecone oder Weaviate)
- Angewandte ML für Ranking und Empfehlungen, End-to-End – Learning-to-Rank, Embedding-basiertes Retrieval, Collaborative Filtering – mit Komfort bei der Verantwortung für Features, Training, Evaluierung, Deployment und Monitoring, nicht nur beim Aufrufen einer API
- NLP- und LLM-Anwendungserfahrung – Produktionserfahrung beim Aufbau auf Sprachmodellen, einschließlich Prompt-Design, Retrieval-Augmented-Ansätzen und der anmutigen Behandlung von Szenarien mit null Ergebnissen und Kompromissen
- Erfahrung mit Low-Latency-Serving – Sie haben Echtzeit-Modell-Serving-Systeme unter Produktionslast aufgebaut und optimiert, nicht nur Modelle in einem Notebook trainiert
- Spezialisierte Evaluierungsfähigkeiten für Such- und Ranking-Qualität, getrennt von allgemeinen Wachstums-Experimenten – Offline-Ranking-Metriken, Interleaving-Experimente und die Beurteilung, ob eine Ranking-Änderung tatsächlich besser und nicht nur anders ist
- Direkte, praktische Erfahrung im Aufbau mit Foundation-Modellen und LLMs als technisches Material – Prompt-Design, Retrieval-Augmented-Ansätze und vor allem die kritische Evaluierung und Stresstests von Modellausgaben, anstatt ihnen standardmäßig zu vertrauen
- Erfahrung im Design für anmutiges Scheitern in probabilistischen Systemen – Wissen, wann ein Modell zuversichtlich falsch ist, und Aufbau des Produkts um diese Realität herum
- Komfort bei der Nutzung von KI-Coding-Agenten zum Aufbau von ML-Infrastruktur und Pipelines, gepaart mit starker Evaluierungs- und Testdisziplin
Nice to have
- Grundlagen der Computer Vision, insbesondere Bild-Embeddings – Erfahrung im Aufbau von Bild-zu-Attribut- oder Bild-zu-Produkt-Abgleich-Pipelines
- Erfahrung im Design von Multi-Tenant-, konfigurierbaren Systemen – Aufbau von Systemen, die sich pro Mandant unterschiedlich verhalten, ohne den Code zu forken
- Erfahrung im Aufbau von konversationellen oder assistentenähnlichen Suchprodukten
- Hintergrund in einem Marktplatz- oder E-Commerce-Unternehmen im Bereich Suche, Ranking oder Empfehlungen
Unsere aktuellen Benefits
- 🏡 Flexible Arbeitszeiten und eine Remote-First-Kultur
- 📈 Echte Möglichkeiten für Wachstum und Lernen
- 🌴 Unbegrenzte Urlaubsansprüche
- 🚀 Die Chance, während einer exponentiellen Expansionsphase einzusteigen
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen