Mitarbeiter ML-Forschungsleiter @ RTB House in RTB House

Als Staff ML Research Lead arbeiten Sie an anspruchsvollen ML-Projekten, die die Art und Weise, wie ML in unserem Unternehmen eingesetzt wird, erweitern und verbessern. ML steht im Mittelpunkt von RTB House und Sie werden einen starken, unmittelbaren Einfluss auf unsere Kernkennzahlen haben. Wir suchen einen starken technischen Leiter, der auch ein kleines Team leistungsstarker Forscher leitet. Die folgenden Fähigkeiten werden von entscheidender Bedeutung sein: Führungsqualitäten. Wir suchen jemanden, der Projekte mit hohem Potenzial identifizieren, eine Vision entwickeln, mit Stakeholdern kommunizieren und vor allem umsetzen kann. Starke technische Fähigkeiten. Wir suchen jemanden, der die Projekte technisch leitet und sich für die praktische Arbeit begeistert. End-to-End-Eigentum. Sie verantworten die Projekte von der Konzeption über die Analyse, Recherche, Erstellung eines Konzeptnachweises und Tests bis hin zur endgültigen Implementierung und Bereitstellung. Effektive Kommunikation. In dieser Rolle werden Sie mit vielen Menschen zusammenarbeiten, und es ist entscheidend, gut zu kommunizieren und die Arbeit effektiv zu organisieren. Fähigkeit, unklare Probleme zu lösen. In jedem Projekt müssen Sie den Kern des Problems verstehen, das Ziel und die Erfolgsmessung definieren und den effektivsten Weg finden, das Problem zu lösen. Ergebnisorientiert sein. Wir legen Wert auf einen gesunden Antrieb, Probleme effektiv zu lösen, indem wir mit einfachen Mitteln beginnen und komplexe Werkzeuge nur bei Bedarf verwenden, wobei wir stets nach einer einfachen, eleganten Lösung streben. Fähigkeit, teamübergreifend zu arbeiten. Sie arbeiten teamübergreifend, häufig über IT- und Unternehmensorganisationen hinweg. Fähigkeit, ein Team aufzubauen und zu leiten. Sie beginnen als erster Forscher in einem Plattform-Forschungsteam mit der Erwartung, das Team im ersten Jahr auf ein paar Forscher/Ingenieure zu vergrößern. Muss über mehr als 8 Jahre Erfahrung als Forscher oder Ingenieur verfügen. 3+ Jahre Erfahrung mit maschinellem Lernen/Data Science. Starkes mathematisches Grundgerüst: Statistik, Wahrscheinlichkeit, diskrete Mathematik, Kombinatorik. Kenntnisse in der Programmierung. 3+ Jahre Erfahrung in der Führung eines Teams. „RTB House ist ein leistungsorientiertes Unternehmen und unsere Technologie ist unsere größte Stärke. Wir arbeiten mit mehr als 2.000 Kunden in EMEA, APAC und Amerika zusammen. Unser hochoptimiertes System bedient fast 10 Millionen Anfragen pro Sekunde. Während einer Anfrage evaluieren wir mehrere Modelle, darunter auch tiefe neuronale Netze – maschinelles Lernen steht im Mittelpunkt unserer Arbeit. Wir verbessern und erweitern unsere ML-Plattform ständig. Zu den Beispielprojekten gehören: Demokratisierung des Experimentierens mit neuen Signalen für eine breitere Gruppe von Teams. In der Vergangenheit war die Forschung zur Verbesserung unserer Deep-Learning-Modelle in unserem Team für maschinelles Lernen isoliert. Obwohl das Team sehr stark ist und großartige Ergebnisse liefert, glauben wir, dass es ein großes Potenzial darin gibt, unserer gesamten Organisation das Experimentieren mit neuen Signalen und neuen Funktionen zu ermöglichen. Auf diese Weise können wir viele Menschen mit unterschiedlichem Hintergrund und unterschiedlichen Stärken in bestimmten Branchen unseres Werbeportfolios (Elektronik, Mode, Reisen usw.) einsetzen. Dies wird neue Möglichkeiten eröffnen, die mit einem einzelnen Team nicht möglich wären. Die Herausforderung besteht darin, ein System zu schaffen, das solche Experimente ermöglicht, das zugänglich und wartbar ist und dessen Ergebnisse interpretierbar sind., OptimierungDer kreative Designprozess. In der Vergangenheit führten Verbesserungen am grafischen Design unserer Anzeigen oder Creatives zu einer starken Steigerung unserer Kennzahlen. Dieser Bereich birgt noch viel Potenzial, aber um es auszuschöpfen, brauchen wir zunehmend einen strukturierten Ansatz für die Zusammenarbeit mit kreativen Designern, um neue Designs auf sinnvolle Weise zu testen und echte Gewinne von Testartefakten zu trennen. Eine Herausforderung besteht darin, gut zu verstehen, wie unser Deep-Learning-System das anzuzeigende Creative auswählt, und sicherzustellen, dass es mit dem neuen Creative-Test-Framework kompatibel ist. Vieles mehr und alles, was Ihnen einfällt!] Anforderungen: Teammanagement, Python, Maschine Lernmodell-Operationalisierungsmanagement