Sense

28.10.2026

Senior Machine Learning Engineer - Active Learning

RemoteVereinigte Staaten

Cambridge, Massachusetts, United States

PythonSQL

Automatische Übersetzung. Prüfe das Original.

Über Sense

Senior Machine Learning Engineer - Active

Sense ist ein Climate-Tech-Unternehmen, das elektrische Signale in Haushalten und im Stromnetz in Echtzeit-Erkenntnisse über Energieverbrauch, Geräte und Fehler umwandelt. Diese Erkenntnisse helfen Menschen dabei, ihre Stromrechnungen zu senken und weniger Strom zu verbrauchen, und unterstützen Versorgungsunternehmen unter anderem bei der Vorbeugung von Waldbränden. Diese Erkenntnisse stammen aus Modellen zur Lastdisaggregation und Fehlererkennung, die heute auf Stromzählern laufen. Das Technologieteam bei Sense erforscht, trainiert, implementiert und unterstützt diese Modelle.

Wir suchen einen erfahrenen Senior Machine Learning Engineer mit Expertise in Active-Learning-Systemen, der uns dabei hilft, unsere Datenoperationen zu skalieren, damit wir unsere zentralen Produktionsmodelle weiter verbessern und das Basismodell für elektrische Geräte und Energie aufbauen können.

Die Rolle

Dieser Senior Machine Learning Engineer verantwortet den gesamten Prozess von den Daten über die Labels bis hin zu verbesserten Modellen. Sie nutzen Active-Learning- und Weak-Supervision-Methoden, um Labels zu generieren, zu entscheiden, was als Nächstes gelabelt werden soll, und Fehler, die wir im Feld finden, in neue Labels umzuwandeln.

Dies ist eine praxisorientierte Rolle. Von Ihnen wird erwartet, dass Sie Code schreiben, Modelle trainieren, Daten analysieren und Experimente dokumentieren. Sie arbeiten mit Data Scientists, Annotatoren, Produktmanagern und Ingenieuren zusammen, um Labels zu erhalten und Modelle zu verbessern. Sie leiten die Entwicklung von Annotationstools und die Arbeit unserer Annotatoren, um den Labeling-Prozess zu beschleunigen und zu skalieren.

Der Erfolg in dieser Rolle wird an der Senkung der Kosten pro Annotation (d. h. Zeitaufwand pro Annotation) gemessen, während die Label-Qualität auf oder über unseren Zielvorgaben gehalten wird.

Aufgaben

Entwicklung und Durchführung von Active Learning, um basierend auf Modellunsicherheiten oder Fehlern auszuwählen, welche Haushalte, Geräte und Zeiträume als Nächstes gelabelt werden sollen.

Umwandlung von fehlerhaften Erkennungen, Genauigkeitsergebnissen aus dem Feld und Benutzerkorrekturen in neue Ground-Truth-Daten sowie Überprüfung, ob sich die neu trainierten Modelle verbessern.

Identifizierung seltener Ereignisse und schwieriger Fälle in Haushaltsdaten, wie z. B. ungewöhnliche oder falsch gelabelte Geräte, und deren Aufnahme in Labeling- und Evaluierungssets.

Verantwortung für den Ground-Truth-Plan: welche Daten, wie viele und in welcher Reihenfolge.

Leitung eines Teams von Annotatoren: Prioritäten setzen, Durchsatz verfolgen und Anleitung geben. Festlegung von Standards für die Datenqualität.

Leitung der Entwicklung unseres Annotationstools. Hinzufügen von Funktionen, die unsere Fähigkeit zur Erfassung neuer und besserer Daten verbessern, einschließlich Funktionen, die auf Modellen basieren.

Messung und Verbesserung der Label-Qualität durch Metriken, Ausreißererkennung, menschliche Überprüfung usw.

Zusammenarbeit mit Data Engineers und ML-Operations, um Labels zu versionieren und nachzuverfolgen, welche Labels welches Modell trainiert haben. Trennung von Evaluierungssets und Trainingsdaten, damit Offline-Ergebnisse die Leistung im Feld vorhersagen.

Ein guter Teamkollege sein: Code überprüfen, Peer-Feedback zu Forschung und Experimenten geben und zu gemeinsamer Dokumentation beitragen. Unterstützung bei der Betreuung/Coaching weniger erfahrener Teammitglieder.

Qualifikationen

MS- oder PhD-Abschluss in Informatik, Elektrotechnik, Physik, Statistik oder einem verwandten Bereich oder gleichwertige Erfahrung.

5+ Jahre Erfahrung in Data Science oder machine learning, einschließlich 2+ Jahren beim Aufbau oder der Verwaltung von gelabelten Datensätzen für ML.

Praktische Erfahrung in der Anwendung von Active Learning auf reale Daten, einschließlich der Auswahl einer Sampling-Strategie und der Messung deren Wirksamkeit.

Erfahrung in der Identifizierung seltener oder schwieriger Beispiele in großen Datensätzen, z. B. aus Modellfehlern, Unsicherheit oder Ähnlichkeitssuche.

Erfahrung im Training von deep learning-Modellen sowie mit Weak Supervision oder modellgestütztem Labeling.

Erfahrung in der Messung der Label-Qualität und der Behebung von Label-Fehlern.

Erfahrung mit Python, SQL und Datenpipelines.

Nachweisliche Erfahrung in der Zusammenarbeit mit anderen Teams, z. B. Produkt-, Software- oder Hardware-Teams.

Bevorzugte Qualifikationen

Erfahrung mit Zeitreihen, Audio-, Sensor- oder anderen Signaldaten.

Erfahrung in der Leitung eines Annotationsteams oder der Steuerung der Entwicklung von Annotationstools.

Erfahrung in der Verwendung von Embeddings aus großen oder Basismodellen für die Datenanalyse.

Logistik

Standort: Möglichkeit, mindestens 2 Tage pro Woche in unserem Büro in Cambridge, MA, zu arbeiten.

Gehaltsspanne: $165,000 bis $185,000

Arbeitserlaubnis: erforderlich.

Gesundheitsvorsorge (Medizinisch, Zahnmedizinisch & Augenheilkunde)

Altersvorsorge (401k, IRA)

Lebensversicherung (Basis, Freiwillig & AD&D)

Bezahlter Urlaub (Urlaub, Krankheit & gesetzliche Feiertage)

Familienzeit (Mutterschutz, Vaterschaftsurlaub)

Kurz- und langfristige Berufsunfähigkeitsversicherung

Homeoffice

Kostenlose Verpflegung & Snacks

Wellness-Ressourcen

Aktienoptionsplan

Sprachen

Senior Machine Learning Engineer - Active Learning

Über Sense

Die Rolle

Aufgaben

Qualifikationen

Bevorzugte Qualifikationen

Logistik

Dein nächster Jobsucht schon nach dir.

Mehr Möglichkeiten mit einem Profil

Weiter entdecken

IT-Supportspezialist

Senior Windows Engineer

Systemadministrator