Estados Unidos
Temple Health
Solstice
Membro da Equipe Técnica (ML)
Estados Unidos
New York, New York, United States
Python
Tradução automática. Consulte o original.
Por que você deveria se juntar a nós
Solstice desenvolve software de IA que ajuda equipes de ciências da vida a criar, refinar e revisar conteúdo de marketing farmacêutico. Trabalhamos com os principais fabricantes de ciências da vida e mais de 50 marcas farmacêuticas. Nossos investidores incluem Transformation Capital, Twelve Below, Virtue e os fundadores da Datavant, Commure e Paradigm.
Os problemas técnicos são concretos: encontrar as evidências certas em material científico complexo, identificar alegações com precisão e melhorar o conteúdo gerado usando o feedback dos revisores e resultados reais do produto. Você trabalhará com dados proprietários e uma equipe capaz de colocar suas melhorias diante dos clientes.
Sobre a função
Como Membro da Equipe Técnica em Machine Learning, você aprimorará os modelos, representações e dados que impulsionam os agentes de IA da Solstice para criar, refinar e revisar conteúdo de marketing farmacêutico. Seu trabalho ajudará os agentes a encontrar evidências de suporte, usar ferramentas com precisão e incorporar o feedback dos revisores em resultados melhores.
No que você trabalhará
Você investigará falhas em execuções completas de agentes, formulará uma hipótese testável, implementará uma mudança e determinará se ela melhora a tarefa do cliente. A intervenção pode ser melhores exemplos de treinamento, uma melhoria na recuperação ou classificação, uma estratégia diferente de modelo ou contexto, ou um ajuste fino direcionado. Você escolherá uma abordagem baseada em evidências e testará sua qualidade, confiabilidade, latência e custo antes de colocá-la em produção.
Você trabalhará diretamente com engenheiros de IA Aplicada, que são responsáveis pelo recurso e fluxo de trabalho completos, e engenheiros de IA Fullstack, que constroem o tempo de execução compartilhado, APIs e experiências de produto. Você construirá protótipos e componentes de produção em conjunto, com responsabilidade principal por melhorias de modelo e dados e pelas evidências de que elas se generalizam.
- Melhorar o comportamento do modelo dentro dos agentes. Diagnosticar falhas na seleção de evidências, escolha de ferramentas e argumentos, e revisões baseadas em feedback. Trabalhar com IA Aplicada para separar limitações de modelo ou dados de contexto ausente, falhas de ferramentas ou problemas de design de fluxo de trabalho.
- Tornar a recuperação e o aterramento mais precisos. Desenvolver e comparar abordagens de recuperação, reclassificação e correspondência de alegação com evidência em documentos científicos e conteúdo aprovado. Medir se a evidência realmente sustenta a alegação e ajuda o agente a concluir a tarefa.
- Transformar execuções de agentes e feedback de revisores em dados úteis. Construir conjuntos de dados curados a partir de execuções bem-sucedidas e falhas, correções e exemplos direcionados. Rastrear a procedência, resolver rótulos ambíguos e manter casos de avaliação separados do treinamento e ajuste.
- Implementar e testar melhorias substantivas. Comparar escolhas de modelos, representações, estratégias de contexto e métodos de aprendizado com linhas de base confiáveis e experimentos controlados. Usar ajuste fino direcionado ou outra adaptação de modelo quando os dados e resultados disponíveis justificarem.
- Medir os resultados da tarefa completa. Avaliar o comportamento intermediário da ferramenta e o artefato resultante. Verificar a confiabilidade de execuções repetidas e a generalização para documentos desconhecidos e variantes de tarefas. Calibrar julgamentos automatizados em relação à revisão humana e rastrear a qualidade juntamente com a latência e o custo.
- Entregar melhorias com a equipe de produto. Integrar mudanças em serviços Python de produção e fluxos de trabalho de agentes. Usar dados e modelos versionados, lançamentos em estágios, monitoramento de qualidade e critérios de reversão, e então investigar se os ganhos offline se mantêm em uso.
O que estamos procurando
- Fundamentos sólidos de ML e habilidades práticas de implementação. Você consegue raciocinar sobre objetivos de aprendizado, otimização, regularização, qualidade de dados e generalização.
- Python forte e experiência prática na construção ou melhoria de sistemas de LLM, sistemas de recuperação ou agentes. Você consegue inspecionar rastreamentos de chamadas de ferramentas, reproduzir falhas e implementar o experimento ou a mudança de produção necessária para investigá-los.
- Evidência de levar uma melhoria de dados ou modelo para produção e entender o que aconteceu após a implantação.
- Julgamento experimental sólido: hipóteses explícitas, comparações confiáveis, linhas de base significativas e cuidado com vazamento, rótulos ruidosos e métricas agregadas enganosas.
- Profundidade em pelo menos uma área relevante, como recuperação e classificação, aprendizado de representação, adaptação de modelo ou aprendizado com feedback humano, com a capacidade de aplicar essa profundidade a tarefas de agente de várias etapas.
- Julgamento sobre a origem de uma falha. Você consegue explicar quando alterar os dados ou o modelo, quando melhorar o contexto ou uma interface de ferramenta, e como projetar uma comparação que distingua essas explicações.
- Habilidades práticas de engenharia de software para experimentos reproduzíveis, componentes testados, integração de produção e depuração.
- Comunicação clara e responsabilidade pessoal. Você consegue explicar as compensações, trabalhar com parceiros de produto e engenharia, e seguir em frente quando os resultados desafiam suas suposições.
Experiência com documentos científicos, feedback de revisão humana ou produtos empresariais regulamentados é útil. Experiência em saúde ou farmacêutica é bem-vinda, mas não obrigatória. Valorizamos a implementação demonstrada e o julgamento experimental; um diploma específico, histórico de publicações ou framework não substitui essa evidência.
Benefícios
- Seguro de saúde, odontológico e oftalmológico
- Oportunidade de participação acionária inicial
- Patrocínio de visto para vistos O-1, H-1B e TN
- Folga remunerada ilimitada
- 401(k) com contrapartida da empresa de 4%
- Almoços no escritório cinco dias por semana
- Auxílio para crescimento profissional
- Suporte para realocação
Localização e remuneração
Nova York. Tempo integral. Presencial.
A faixa salarial base é de $200,000 a $300,000, mais participação acionária, dependendo da experiência e do escopo de responsabilidade. Esta é a mesma faixa de remuneração em NYC que a nossa função de Membro da Equipe Técnica (IA Aplicada).
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