Brasilien
Zup Innovation
Bain & Company
Head of Ontology - Platform
Brasilien
Warsaw, Masovian Voivodeship, Poland · London, England, United Kingdom · Chicago, Illinois, United States · São Paulo, Brazil
Automatische Übersetzung. Prüfe das Original.
BESCHREIBUNG & ANFORDERUNGEN
Was uns zu einem großartigen Arbeitsplatz macht
Wir sind stolz darauf, regelmäßig als einer der weltweit besten Arbeitgeber ausgezeichnet zu werden. Aktuell sind wir das am höchsten bewertete Beratungsunternehmen auf der „Best Places to Work“-Liste von Glassdoor und haben den 1. Platz insgesamt bereits rekordverdächtige sieben Mal erreicht. Außergewöhnliche Teams bilden das Herzstück unserer Geschäftsstrategie, doch diese entstehen nicht durch Zufall. Sie erfordern einen bewussten Fokus darauf, eine breite Palette an Hintergründen, Kulturen, Erfahrungen, Perspektiven und Fähigkeiten in einem unterstützenden und inklusiven Arbeitsumfeld zusammenzubringen. Wir stellen Mitarbeiter mit außergewöhnlichem Talent ein und schaffen ein Umfeld, in dem sich jeder Einzelne beruflich und persönlich entfalten kann.
Mit wem Sie zusammenarbeiten werden
Das Growth AI Performance System ist die integrierte Suite von Bain an agentenbasierten Entscheidungstools, die großen Unternehmen jederzeit verfügbare Intelligenz für ihre wichtigsten Wachstumsentscheidungen bietet. Es befindet sich an einer seltenen Schnittstelle, die nur wenige Organisationen wirklich bieten können: die analytische Tiefe und der Kundenzugang einer erstklassigen Beratung, der technische Anspruch eines Produktunternehmens und die kommerziellen Interessen beider.
Sie verantworten die Wissens- und Datenschicht hinter dem persistenten Produktteam von Bain und entwickeln Software, die Unternehmen der Fortune 100 bis 500 dabei hilft, die Fragen zu beantworten, die ihr Geschäft vorantreiben: wo investiert werden soll, worauf der Fokus liegen muss und wie man gewinnt. Die Auswirkungen Ihrer Arbeit sind direkt und unmittelbar, und der Wert der Suite steigt mit jeder Veröffentlichung.
Die Plattform besteht aus zwei zusammenarbeitenden Schichten: dem Agentic Core und drei Produktmodulen, von denen jedes ein spezifisches kommerzielles Problem löst. Ihre Aufgabe ist es sicherzustellen, dass die Wissensschicht unter jedem Modul – die Entitäten, Beziehungen und Taxonomien, über die die Plattform schlussfolgert – mit derselben Produktionsdisziplin entwickelt wird wie die darauf aufbauenden Pipelines und Modelle.
Dies ist ein Startup innerhalb eines etablierten Unternehmens. Sie erhalten echte Eigentümerverantwortung in einer frühen Phase – echten Einfluss auf Architektur und Produktausrichtung – unterstützt durch die globale Reichweite, die Kundenbeziehungen und das Führungsengagement von Bain. Das Tempo eines Startups mit der Stabilität eines globalen Unternehmens.
Wir suchen jemanden, der sich wirklich an der Schnittstelle von Data Engineering und AI Engineering bewegt – jemand, der sich wohl dabei fühlt, an einem Tag die groß angelegte Entitätsauflösung und Pipeline-Infrastruktur zu verantworten und am nächsten Tag die Retrieval-, Embedding- und agentenorientierten API-Verträge zu betreuen, die es diesem Wissen ermöglichen, echtes Schlussfolgern zu unterstützen. Dies ist angewandtes Wissens-Engineering in der Produktion, in großem Maßstab, mit echten Nutzern, die von Ihrer Arbeit abhängen. Native KI-Flüssigkeit ist hier wichtig, ebenso wie der Antrieb, ständig dazuzulernen – denn das Feld entwickelt sich schnell und dieses Team ist darauf ausgelegt, mitzuhalten.
Wo Sie im Team angesiedelt sind
Der Head of Ontology ist die seniorste Rolle im Bereich Wissens-Engineering im Growth AI Performance System und eine der strategisch wichtigsten. Sie besitzen die Wissens- und Ontologie-Standards für jedes Produktmodul des Growth AI Performance System. Sie stehen über den AI Engineers und Data Engineers auf Modulebene bei Fragen zu Entitätsauflösung, Taxonomie und Wissensarchitektur – und Sie haben das letzte Wort, wenn eine Modellierungs- oder Retrieval-Frage davon abhängt, wie die Plattform die kommerzielle Welt repräsentiert. Es wird erwartet, dass Sie die schwierigsten Teile dieser Schicht persönlich aufbauen und nicht nur die Richtung für andere vorgeben.
Die Probleme erstrecken sich über Entitätsauflösung in großem Maßstab, Wissensgraph- und Taxonomie-Design, Retrieval- und Embedding-Architektur sowie die Datenpipelines, die all dies aktuell und korrekt halten – schwierige technische Probleme, bei denen sich eine falsche Entscheidung stillschweigend auf jedes nachgelagerte Modell und jeden Agenten auswirkt. Sie müssen gleichermaßen glaubwürdig bei der Überprüfung einer Spark-Pipeline wie bei einer Retrieval-Augmented-Generation-Architektur sein, da beides in Ihrer Verantwortung liegt.
Sie arbeiten über die Plattform- und Produktmodule hinweg mit Fokus auf Marketing-ROI, Marken- oder Preisstrategie – und stellen sicher, dass die semantische Schicht die kommerzielle Welt, über die diese Module schlussfolgern sollen, präzise repräsentiert. Ein Marketing-Mix-Modell, das einen Medienkanal falsch kategorisiert, ein Markenanalyse-Tool, das zwei ähnliche Entitäten vermischt, oder eine Preis-Engine, die eine Produkthierarchie nicht korrekt auflösen kann, liefern Ergebnisse, denen Kunden nicht vertrauen können. Die Ontologie verhindert dies – und Sie sind dafür verantwortlich.
Die Ergebnisse sind hier kein Forschungsartefakt neben dem Produkt – sie sind das Substrat, auf dem das Produkt schlussfolgert. Der Standard, den Sie für diese Schicht ansetzen, ist der Standard, an dem die Vertrauenswürdigkeit der gesamten Plattform gemessen wird.
Sie leiten das Ontology and Knowledge Team – den AI Engineer und Data Engineer, die an diese Funktion berichten – und arbeiten täglich mit dem Tech Lead, den Data Scientists aller drei Produktmodule, dem Evals Lead und dem Product Manager zusammen. Sie werden auch direkt mit hochrangigen Kundenvertretern interagieren: Sie präsentieren die Wissensarchitektur der Plattform, erklären, wie die semantische Schicht strukturiert ist und warum, und nutzen diese Gespräche, um die Ontologie mit jedem Engagement kommerziell präziser zu machen.
Über Sie
Ihre Aufgaben
Wissensarchitektur und Ontologie-Engineering
- Verantwortung für Design, Aufbau und Governance des Wissensgraphen und der Ontologie des Growth AI Performance System – die semantische Schicht, die kommerzielle Entitäten, Marktbeziehungen und Domänentaxonomien über Marketing-ROI, Markenstrategie und Preisgestaltung hinweg modelliert
- Definition der Standards für die Wissensarchitektur, innerhalb derer die Plattform aufgebaut ist: Konventionen für die Benennung und Auflösung von Entitäten, Struktur und Versionierung von Taxonomien, Beziehungsmodellierung sowie die explizite Darstellung von Lücken oder Unklarheiten in den Daten, anstatt diese stillschweigend zu verwerfen
- Design und Implementierung von Systemen zur Entitätsauflösung im Produktionsmaßstab unter Verwendung von Tools wie Splink, Zingg oder benutzerdefinierten probabilistischen Matching-Modellen – Umgang mit mehrdeutigen, unvollständigen und widersprüchlichen Datenquellen, ohne diese Unklarheiten nachgelagert weiterzugeben
- Aufbau und Weiterentwicklung des Graphen und des semantischen Speichers selbst (z. B. Neo4j, Amazon Neptune oder RDF/OWL-Triple-Stores mit SPARQL), wobei ein Gleichgewicht zwischen Ausdrucksstärke, Abfrageleistung und betrieblicher Zuverlässigkeit im Produktionsmaßstab gewahrt bleibt
- Weiterentwicklung der Ontologie bei Skalierung der Plattform: Verwaltung der Abwärtskompatibilität von Schemaänderungen, Koordination mit dem AI Engineer und Data Engineer hinsichtlich der Weitergabe von Updates an die Schnittstellen der nachgelagerten Produktmodule
AI Engineering: Retrieval, Embeddings und agentenbasierte Integration
- Design der Retrieval-, Memory- und Context-Engineering-Schicht, die es agentenbasierten Workflows ermöglicht, zuverlässig über die Ontologie zu schlussfolgern: Vektor-/Graph-/Hybrid-Speicher (Pinecone, Weaviate oder gleichwertig), Strategie zur Auswahl und Aktualisierung von Embedding-Modellen sowie Context-/Prompt-Caching
- Verantwortung für die API- und Schema-Verträge, über die AI Engineers und Agenten-Frameworks (LangGraph, MCP oder gleichwertig) Ontologie-Ausgaben konsumieren – Sicherstellung, dass Retrieval-Muster kohärent bleiben, während sich sowohl die Wissensschicht als auch der Agentic Core weiterentwickeln
- Aufbau von Evaluierungstools für die Qualität der Wissensschicht im gleichen Sinne wie Modell-Evaluierungen: Präzision/Recall bei der Entitätsauflösung, Konsistenzprüfungen der Taxonomie und Regressionssuiten, die Fehler auf Ontologie-Ebene abfangen, bevor sie die Produktion erreichen
- Anwendung von NLP/ML-Techniken (z. B. spaCy, Hugging Face Transformer-Modelle) zur Entitätsextraktion, Relationsextraktion und kontinuierlichen Taxonomie-Anreicherung aus unstrukturierten Kunden- und Marktdaten
Daten- und Pipeline-Überwachung
- Verantwortung für die Datenpipelines, die die Ontologie aktuell halten: Ingestion-, Transformations- und Qualitätsprüfungs-Pipelines (z. B. Databricks, Airflow, dbt), die die Entitätsauflösung und den Graphenaufbau speisen
- Definition von Standards für Datenanforderungen für die Wissensschicht: Schemaspezifikationen, Qualitätsschwellenwerte und die Grenzfälle, die dazu führen, dass Entitätsauflösung oder Retrieval irreführende Ergebnisse liefern
- Zusammenarbeit mit dem Plattform-Data-Engineering zur Diagnose, wenn vorgelagerte Datenprobleme zu Problemen auf Ontologie-Ebene führen, und Verantwortung für die end-to-end Ursachenbehebung
- Zusammenarbeit mit den Data Scientists aller drei Produktmodule, um sicherzustellen, dass die Ontologie die statistischen Modellierungsanforderungen jedes Moduls unterstützt: Bereitstellung des strukturierten Vorwissens und der Beziehungsdaten, die Bayes-Modelle benötigen, um vertretbare Ergebnisse zu liefern
Teamführung und Kommunikation mit Stakeholdern
- Leitung und Entwicklung des Ontology and Knowledge Teams – der AI Engineer (Data Ontology) und Data Engineer (Ontology), die an diese Funktion berichten – durch strukturiertes Mentoring und Schaffung der Voraussetzungen, damit beide zunehmend mehr Verantwortung übernehmen können
- Tägliche Zusammenarbeit mit dem Tech Lead an der architektonischen Schnittstelle zwischen der Wissensschicht und dem Agentic Core sowie mit dem Evals Lead zur Definition von Evaluierungskriterien für die Ontologie-Qualität
- Direkte Interaktion mit hochrangigen Kundenvertretern, einschließlich der kaufmännischen Führungsebene – Präsentation der Wissensarchitektur der Plattform und Nutzung von Kundenfeedback als systematischen Input für die Ontologie-Entwicklung
- Einsatz von KI-gestützten Engineering-Tools (z. B. Copilot-artige Coding-Assistenten, LLM-gestützte Schema- und Entitätsauflösungs-Tools) zur Beschleunigung der Ontologie-Entwicklung – als Produktivitätsmultiplikator, nicht als Ersatz für technische Sorgfalt
Mindestanforderungen
Must-have — Technisch
- Starke praktische Engineering-Fähigkeiten, die sowohl Data Engineering als auch AI Engineering umfassen: Sie fühlen sich wohl dabei, Produktionspipelines (Spark/PySpark, Airflow, dbt oder gleichwertig) und produktive Retrieval-/Agentensysteme (Vektorspeicher, Embedding-Pipelines, Agenten-Frameworks) in derselben Rolle aufzubauen
- Fundierte Expertise in Wissensrepräsentation und Ontologie-Design: Graphdatenbanken (Neo4j, Neptune) oder RDF/OWL-semantische Speicher sowie das Urteilsvermögen, zwischen Ausdrucksstärke, Skalierbarkeit und betrieblicher Zuverlässigkeit abzuwägen
- Erfahrung im Design und der Implementierung von Systemen zur Entitätsauflösung im großen Maßstab (Splink, Zingg oder benutzerdefiniertes probabilistisches Matching), die mit mehrdeutigen und widersprüchlichen Daten umgehen, ohne Fehler stillschweigend weiterzugeben
- Arbeitsflüssigkeit darin, wie Wissensgraph-Ausgaben von agentenbasierten Systemen konsumiert werden: Retrieval-Muster, Indexierungsstrategien und die API-/Schema-Konventionen, die es AI Engineers ermöglichen, zuverlässig auf der Wissensschicht aufzubauen
- Erfahrung im Aufbau von Evaluierungs- und Datenqualitäts-Frameworks für eine Wissens- oder Datenschicht: Was Korrektheit bei der Entitätsauflösung in der Praxis bedeutet und wie man automatisierte Tests erstellt, die Fehler vor der Produktion abfangen
- Native KI-Flüssigkeit: Aktive Nutzung von KI-gestützten Engineering-Tools zur Beschleunigung der Ontologie- und Pipeline-Entwicklung, mit nachgewiesenem kontinuierlichem Lernen an der Schnittstelle von Wissens-Engineering und generativer KI
Must-have — Erfahrung
- 8 oder mehr Jahre in Rollen im Bereich Data Engineering, AI/ML Engineering oder Wissens-Engineering, mit signifikanter praktischer Verantwortung für Systeme, von denen produktive KI oder Analytik abhängen
- Nachweisbare Erfolge bei der Verantwortung für einen Wissensgraphen, eine Ontologie oder eine große Datenplattform, von der ein echtes Produkt abhing – produktionsreif, mit den Zuverlässigkeits-, Versionierungs- und Governance-Standards, die ein Unternehmenseinsatz erfordert
- Direkte Erfahrung in der Leitung eines Data- oder AI-Engineering-Teams: Festlegung technischer Standards, Mentoring von Ingenieuren und Schaffung von Bedingungen, unter denen das Team zunehmend mehr Verantwortung übernehmen kann
- Erfahrung in der Interaktion mit hochrangigen Kunden oder Stakeholdern in einer technischen Beratungsfunktion: Präsentation von Architektur-Entscheidungen und deren Übersetzung in geschäftliche Begriffe
Ausbildung
Bachelor-Abschluss oder höher in Informatik, Informationswissenschaft, Data Engineering oder einem verwandten Bereich. Ein fortgeschrittener Abschluss in einer Disziplin der Wissensrepräsentation, KI/ML oder dem Semantic Web ist ein starker Vorteil.
Starkes Plus — Technisch
- Erfahrung mit NLP/ML-Entitäts- und Relationsextraktion (spaCy, Hugging Face Transformer) zur automatisierten Taxonomie-Anreicherung aus unstrukturierten Daten
- Direkte Erfahrung mit Retrieval-Augmented-Generation (RAG)-Architektur und der Auswahl/Evaluierung von Embedding-Modellen in einer Produktionsumgebung
- Verständnis dafür, wie ontologische Strukturen die statistische Modellierung unterstützen: wie Beziehungsdaten und strukturierte Priors in Bayes-Modelle oder andere inferenzbasierte Modelle einfließen
- Vertrautheit mit Data-Governance- und Datenschutzprinzipien an der Schnittstelle von kommerziellen Kundendaten und proprietärem Organisationswissen
Starkes Plus — Erfahrung
- Tiefgreifendes kommerzielles Domänenwissen in mindestens einem Bereich, der für die Growth AI Performance System-Suite relevant ist: Marketing- und Medienanalytik, Marken- und Konsumentenverhalten oder Preis- und Umsatzwachstumsmanagement
- Erfahrung in oder neben Beratungsunternehmen, professionellen Dienstleistern oder Unternehmensanalyseorganisationen, in denen die Qualität der Wissensrepräsentation direkte Konsequenzen für Kundenentscheidungen hat
US-Vergütungsinformationen
Die Vergütung für diese Rolle umfasst ein Grundgehalt, einen jährlichen diskretionären Leistungsbonus, einen 401(k)-Plan mit einem jährlichen Arbeitgeberbeitrag basierend auf der Betriebszugehörigkeit sowie das erstklassige Leistungspaket von Bain (Details unten aufgeführt).
Einige lokale Regierungen in den Vereinigten Staaten verlangen, dass in Stellenausschreibungen für offene Stellen eine nach Treu und Glauben angemessene Gehaltsspanne angegeben wird. Die geschätzte jährliche Vergütung für diese Rolle ist wie folgt:
- In Massachusetts liegt die nach Treu und Glauben angemessene jährliche Vollzeit-Gehaltsspanne für diese Rolle zwischen (bitte Gehaltsspanne einfügen); die Platzierung innerhalb dieser Spanne variiert basierend auf mehreren Faktoren, einschließlich, aber nicht beschränkt auf Erfahrung, Ausbildung, Zulassungen/Zertifizierungen, Schulung und Qualifikationsniveau
- In Illinois liegt die nach Treu und Glauben angemessene jährliche Vollzeit-Gehaltsspanne für diese Rolle zwischen $226,000 – $276,750; die Platzierung innerhalb dieser Spanne variiert basierend auf mehreren Faktoren, einschließlich, aber nicht beschränkt auf Erfahrung, Ausbildung, Zulassungen/Zertifizierungen, Schulung und Qualifikationsniveau
- Jährlicher diskretionärer Leistungsbonus
- Diese Rolle kann auch für andere Elemente der diskretionären Vergütung in Frage kommen
- 4.5% 401(k)-Unternehmensbeitrag, der nach 3 Jahren Betriebszugehörigkeit steigt und ab dem Startdatum zu 100% unverfallbar ist
Das umfassende Leistungs- und Wellnessprogramm von Bain & Company soll Mitarbeitern helfen, persönliche Unabhängigkeit, Schutz und Stabilität in den für Sie und Ihre Familie wichtigsten Bereichen zu erreichen.
- Bain zahlt 100% die individuellen Mitarbeiterprämien für Kranken-, Zahn- und Vorsorgeprogramme und bietet einen der umfassendsten medizinischen Pläne für Mitarbeiter, ohne Ihr Gehalt zu belasten
- Großzügiger bezahlter Urlaub, einschließlich Elternzeit, Krankheitsurlaub und bezahlter Feiertage
- Vollständig unverfallbarer 401(k)-Unternehmensbeitrag
- Bezahlte Lebens- und Berufsunfähigkeitsversicherung
Für alle anderen Standorte ist die nach Treu und Glauben angemessene jährliche Vollzeit-Gehaltsspanne für diese Rolle mit den wettbewerbsfähigen geografischen Marktpreisen für diese Rolle vereinbar und variiert basierend auf mehreren Faktoren, einschließlich, aber nicht beschränkt auf Erfahrung, Ausbildung, Zulassungen/Zertifizierungen, Schulung und Qualifikationsniveau.
ALLGEMEINE INFORMATIONEN
Es ist in Massachusetts rechtswidrig, einen Lügendetektortest als Bedingung für die Einstellung oder Weiterbeschäftigung zu verlangen oder durchzuführen. Ein Arbeitgeber, der gegen dieses Gesetz verstößt, unterliegt strafrechtlichen Sanktionen und zivilrechtlicher Haftung.
Jobtitel Head of Ontology - Platform
Job-ID 111468
Arbeitsbereiche Technologie & Engineering
Anstellungsart Unbefristet in Vollzeit
Standort(e) Chicago, London, Sao Paulo, Warschau
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