États-Unis
The MITRE Corporation
Waymo
Ingénieur Machine Learning Senior, Croissance
États-Unis
Mountain View, California, United States · San Francisco, California, United States
PythonSQLGo
Traduction automatique. Consultez l’original.
À propos du poste
Waymo est une entreprise de technologie de conduite autonome dont la mission est d'être le conducteur le plus fiable au monde. Depuis ses débuts en tant que projet de voiture autonome de Google en 2009, Waymo s'est concentré sur le développement du Waymo Driver — le conducteur le plus expérimenté au monde™ — afin d'améliorer l'accès à la mobilité tout en sauvant des milliers de vies actuellement perdues dans des accidents de la route. Le Waymo Driver alimente le service de transport avec chauffeur entièrement autonome de Waymo et peut également être appliqué à une gamme de plateformes de véhicules et de cas d'utilisation de produits. Le Waymo Driver a effectué plus de dix millions de trajets sans conducteur, grâce à son expérience de conduite autonome sur plus de 100 millions de miles sur la voie publique et des dizaines de milliards de miles en simulation à travers 15+ États américains.
L'équipe d'ingénierie Machine Learning dédiée à la croissance travaille en étroite collaboration avec la science des données pour faire passer les modèles de l'expérimentation à une production fiable. Nous sommes responsables de l'infrastructure de données ML sous-jacente : normalisation des définitions de caractéristiques partagées, élimination des fuites de données dans les pipelines d'entraînement, automatisation du réentraînement planifié et mise en place de garde-fous pour garantir que les exécutions de scoring par lots défectueuses n'affectent jamais les promotions en direct. En gérant l'intégrité des données, les pipelines de déploiement et la surveillance de la production, nous fournissons le support technique dédié nécessaire pour maintenir les initiatives de croissance basées sur les modèles fiables et évolutives.
Vos missions
- Prendre en charge la couche de caractéristiques entre la base de données de croissance et les modèles. Collaborer avec l'ingénierie des données sur la conception des schémas pour les caractéristiques ML, et avec la science des données pour transformer leurs listes de caractéristiques en définitions de caractéristiques versionnées lues à la fois par l'entraînement et le scoring.
- Construire des données d'entraînement correctes au niveau temporel (point-in-time), afin qu'un réentraînement perçoive chaque jour tel qu'il était et ne laisse pas fuiter de données futures. La science des données a déjà identifié cela comme une lacune dans les pipelines actuels.
- Prendre les modèles entraînés par la science des données et les mettre en production : valider par rapport aux résultats hors ligne, les intégrer au scoring par lots, et ajouter des contrôles d'entrée et de sortie qui arrêtent une exécution défectueuse avant que les promotions ne soient diffusées.
- Diriger l'automatisation de l'entraînement : réentraînements planifiés, registre de modèles et validation avant la promotion d'une nouvelle version de modèle.
- Surveiller les modèles en production : dérive des caractéristiques, décalages de distribution des scores et résultats des modèles par rapport aux groupes de contrôle aléatoires.
- Être l'interlocuteur technique quotidien de la science des données, afin que les questions sur les caractéristiques et la modélisation ne s'accumulent pas en attendant le responsable technique.
Profil recherché
- Expérience dans la construction de systèmes ML en production : pipelines de caractéristiques, génération de données d'entraînement, inférence par lots.
- Solide maîtrise de SQL et Python, ainsi que du traitement de données à grande échelle (Flume, Beam, Spark ou similaire).
- Avoir conçu des schémas de caractéristiques ou travaillé sur un feature store, et comprendre la correction temporelle (point-in-time) et le biais d'entraînement/service pour les avoir corrigés.
- Avoir mis en production et géré le cycle de vie d'un modèle hors ligne existant.
- Avoir travaillé avec des data scientists et être capable de transformer une demande de caractéristique informelle en spécification technique.
Nous apprécions
- Connaissances en modélisation d'uplift, inférence causale ou expérimentation (tests A/B, groupes témoins), suffisantes pour comprendre les besoins des modèles.
- Expérience dans la publicité, le marketing, les recommandations, la tarification ou les promotions.
- Familiarité avec les feature stores, l'orchestration de flux de travail (Airflow ou similaire) et les bases de données SQL distribuées.
Fourchette salariale
#LI-Hybrid
La fourchette de salaire de base prévue pour ce poste à temps plein aux États-Unis est indiquée ci-dessous. La rémunération de départ réelle sera basée sur des facteurs liés au poste, notamment le lieu de travail exact, l'expérience, la formation et les compétences pertinentes. Votre recruteur pourra vous communiquer plus d'informations sur la fourchette salariale spécifique au lieu du poste ou, si le poste peut être effectué à distance, sur la fourchette salariale spécifique à votre lieu de résidence préféré, au cours du processus de recrutement.
175,000—215,000 USD
Les employés de Waymo sont également éligibles pour participer au programme de bonus annuel discrétionnaire de Waymo, au plan d'incitation en actions et au généreux programme d'avantages sociaux de l'entreprise, sous réserve des conditions d'éligibilité.
Plus d’opportunités avec un seul profil
Vous souhaitez accéder à plus de postes sans répéter tout le processus ? Créez votre profil pour être trouvé par les entreprises utilisant Nort.
Créer mon profil