Estados Unidos
The MITRE Corporation
Waymo
Engenheiro Sênior de Machine Learning , Growth
Estados Unidos
Mountain View, California, United States · San Francisco, California, United States
PythonSQLGo
Tradução automática. Consulte o original.
Sobre a oportunidade
A Waymo é uma empresa de tecnologia de direção autônoma com a missão de ser o motorista mais confiável do mundo. Desde o seu início como o Google Self-Driving Car Project em 2009, a Waymo tem se concentrado em construir o Waymo Driver — o motorista mais experiente do mundo™ — para melhorar o acesso à mobilidade enquanto salva milhares de vidas atualmente perdidas em acidentes de trânsito. O Waymo Driver impulsiona o serviço de transporte totalmente autônomo da Waymo e também pode ser aplicado a uma variedade de plataformas de veículos e casos de uso de produtos. O Waymo Driver já realizou mais de dez milhões de viagens apenas com passageiros, possibilitado por sua experiência de direção autônoma por mais de 100 milhões de milhas em vias públicas e dezenas de bilhões em simulação em mais de 15 estados dos EUA.
A equipe de Engenharia de Machine Learning de Growth trabalha em estreita colaboração com a Ciência de Dados para levar modelos da fase de experimentação para uma produção confiável. Somos responsáveis pela infraestrutura de dados de ML subjacente: padronização de definições de recursos compartilhados, eliminação de vazamento de dados em pipelines de treinamento, automação de retreinamentos agendados e estabelecimento de salvaguardas para que execuções de pontuação em lote com falhas nunca afetem promoções ativas. Ao gerenciar a integridade dos dados, pipelines de implantação e monitoramento de produção, fornecemos o suporte de engenharia dedicado necessário para manter as iniciativas de crescimento orientadas por modelos confiáveis e escaláveis.
Você irá
- Ser responsável pela camada de recursos entre o banco de dados de Growth e os modelos. Trabalhar com engenharia de dados no design de esquema para recursos de ML e com ciência de dados para transformar suas listas de recursos em definições de recursos versionadas que tanto o treinamento quanto a pontuação utilizam.
- Construir dados de treinamento corretos em relação ao ponto no tempo (point-in-time), para que um retreinamento veja cada dia como ele foi e não vaze dados futuros. A ciência de dados já identificou isso como uma lacuna nos pipelines atuais.
- Colocar em produção os modelos que a ciência de dados treinou: validar em relação aos resultados offline, integrá-los à pontuação em lote e adicionar verificações de entrada e saída que interrompam uma execução incorreta antes que as promoções sejam lançadas.
- Liderar a automação de treinamento: retreinamentos agendados, um registro de modelos e validação antes que uma nova versão de modelo seja promovida.
- Monitorar modelos em produção: desvio de recursos (feature drift), mudanças na distribuição de pontuação e resultados de modelos versus grupos de controle aleatórios.
- Ser o par de engenharia do dia a dia da ciência de dados, para que as dúvidas sobre recursos e modelagem não fiquem na fila de espera do líder técnico.
Você possui
- Experiência na construção de sistemas de ML em produção: pipelines de recursos, geração de dados de treinamento, inferência em lote.
- Sólidos conhecimentos em SQL e Python, além de processamento de dados em larga escala (Flume, Beam, Spark ou similar).
- Experiência em projetar esquemas de recursos ou trabalhar em um feature store, e compreensão de correção em relação ao ponto no tempo (point-in-time) e distorção entre treino/serviço (train/serve skew) por ter corrigido esses problemas.
- Experiência em colocar em produção e ser responsável pelo ciclo de vida de um modelo offline existente.
- Experiência de trabalho com cientistas de dados e capacidade de transformar uma solicitação de recurso vaga em uma especificação técnica.
Preferimos
- Experiência em modelagem de uplift, inferência causal ou experimentação (testes A/B, grupos de controle), o suficiente para entender o que os modelos precisam.
- Experiência em anúncios, marketing, recomendações, precificação ou promoções.
- Familiaridade com feature stores, orquestração de fluxo de trabalho (Airflow ou similar) e bancos de dados SQL distribuídos.
Faixa Salarial
#LI-Hybrid
A faixa salarial base esperada para esta posição de tempo integral em locais nos EUA está listada abaixo. O pagamento inicial real será baseado em fatores relacionados ao trabalho, incluindo o local exato de trabalho, experiência, treinamento e educação relevantes e nível de habilidade. Seu recrutador pode compartilhar mais sobre a faixa salarial específica para o local da função ou, se a função puder ser realizada remotamente, a faixa salarial específica para o seu local preferido, durante o processo de contratação.
$175,000—$215,000 USD
Os funcionários da Waymo também são elegíveis para participar do programa de bônus anual discricionário da Waymo, plano de incentivo de ações e generoso programa de benefícios da empresa, sujeito aos requisitos de elegibilidade.
Mais oportunidades com um só perfil
Quer aparecer para várias vagas sem repetir todo o processo? Crie seu perfil e seja encontrado pelas empresas que usam a Nort.
Criar meu perfil