Engineering Manager, Research Data Platform

Über Anthropic

Anthropic’s Mission ist es, zuverlässige, interpretierbare und steuerbare KI-Systeme zu schaffen. Wir möchten, dass KI sicher und vorteilhaft für unsere Nutzer und die Gesellschaft als Ganzes ist. Unser Team ist eine schnell wachsende Gruppe von engagierten Forschern, Ingenieuren, Politikspezialisten und Geschäftsführern, die zusammenarbeiten, um nützliche KI-Systeme zu entwickeln.

Über die Rolle

Die Forscher von Anthropic generieren und sind auf enorme Datenmengen angewiesen - Trainingsläufe, Bewertungen, RL-Transkripte, Annotationen usw. Das Research Data Platform-Team baut die Systeme, die diese Daten einfach produzieren, finden, abfragen und vertrauen lassen. Wir arbeiten in zwei Modi: Wir bauen Plattformkomponenten, in die andere Systeme integrieren (zum Beispiel eine Metrikbibliothek, die von Trainingsframeworks verwendet wird, um Laufdaten aufzuzeichnen und abzurufen), und wir besitzen Kerndatensätze von Anfang bis Ende (zum Beispiel die Datenpipeline hinter RL-Transkripten).

Als technischer Leiter des Teams beginnt Ihr Job mit unseren Nutzern. Sie arbeiten direkt mit Forschern - und mit den Ingenieuren, die sie unterstützen - um zu verstehen, wie sie tatsächlich arbeiten, wo das Management von Daten sie verlangsamt und wo eine gut gestaltete Plattformkomponente oder ein gut kuratierter Datensatz das Mögliche verändern würde. Sie verwandeln das, was Sie lernen, in technische Richtungen für das Team, in Partnerschaft mit dem Manager des Teams, der Prioritäten und Personen verwaltet.

Eine zentrale Ambition, die Sie vorantreiben werden: eine kleine Menge kanonischer, gut dokumentierter Datensätze - beginnend mit dem Kerndatenmodell für RL - auf die Forscher vertrauen und standardisieren, anstatt dass jedes Team seine eigenen Kopien verwaltet. Sie verbringen die ersten Monate nah am Code und nah an den Nutzern: Sie liefern Verbesserungen in unseren Kernsystemen, arbeiten eng mit Forschungsteams zusammen und erstellen Ihre eigene Karte ihrer Arbeitsabläufe. Mit dem Wachstum des Teams hat diese Rolle einen natürlichen Weg zur formalen Führung von Personen für jemanden, der dies möchte.

Verantwortlichkeiten

• Arbeiten Sie direkt mit Forschern und den Ingenieuren, die sie unterstützen, um ihre Arbeitsabläufe zu verstehen, die vielversprechendsten Möglichkeiten zu identifizieren und zu gestalten, was das Team als Nächstes baut.
• Setzen Sie die technische Richtung für das Team über unsere Plattform und unsere Datensätze.
• Entwerfen und bauen Sie Plattformkomponenten, in die andere Teams integrieren - Bibliotheken, Dienste und Schnittstellen wie die Metrikbibliothek, die von Trainingsframeworks verwendet wird.
• Besitzen Sie Kerndatensätze von Anfang bis Ende: die Pipelines, die sie produzieren, die Schemata, die sie definieren, und die Dokumentation und Garantien, die es Forschern ermöglichen, ihnen zu vertrauen.
• Treiben Sie die Konvergenz zu kanonischen Datensätzen voran - einschließlich des Kerndatenmodells für RL-Transkripte - auf die Forschungsgruppen standardisieren.
• Leiten Sie komplexe, mehrmonatige Projekte, die mehrere Systeme und Teams umfassen, und bleiben Sie hands-on im Code.
• Erhöhen Sie die technische Messlatte des Teams durch Design-Reviews, Mentoring und die Qualität Ihrer eigenen Arbeit.

Sie könnten gut passen, wenn Sie:

• Datenintensive Systeme in großem Maßstab gebaut und betrieben haben - Pipelines, Speicherschichten, Abfragesysteme - mit starken Instinkten für Datenmodellierung und Schema-Design, die auch bei wachsendem Gebrauch Bestand haben.
• Die technische Richtung für ein Team festgelegt haben oder die Architektur einer Datenplattform besessen haben, auf der andere Teams aufbauen.
• Interne Nutzer als Kunden behandeln: Sie führen die Entdeckungsarbeit durch, iterieren mit Nutzern und messen den Erfolg anhand der Akzeptanz, nicht nur durch das Versenden.
• Verstehen, dass Forscher keine typischen internen Kunden sind - die Arbeit ist von Natur aus explorativ, die Arbeitsabläufe unterscheiden sich von Team zu Team, und Anforderungen werden durch Experimente entdeckt, anstatt im Voraus spezifiziert zu werden.
• Für diese Bewegung bauen können - Schnittstellen stabil und Daten vertrauenswürdig halten, während sich die Anwendungsfälle darunter ändern, und beurteilen, wann eine schnelle, wegwerfbare Lösung der Forschung besser dient als eine dauerhafte.
• Durch Einfluss führen - Ingenieure und Stakeholder ohne formale Autorität ausrichten.
• Ergebnisorientiert und pragmatisch sind, bereit, unglamouröse Arbeiten zu erledigen, wenn es das vielversprechendste ist.
• Begeistert sind, die Grundlagen der maschinellen Lernforschung zu lernen (tiefe ML-Expertise ist nicht erforderlich).
• Sich um die gesellschaftlichen Auswirkungen Ihrer Arbeit kümmern.

Starke Kandidaten haben möglicherweise auch:

• Erfahrung mit großangelegtem ETL und spaltenbasiertem oder analytischem Speicher (z.B. Spark, BigQuery, ClickHouse, DuckDB, Parquet).
• Erfahrung mit Metriken oder Experimentverfolgungssystemen oder hochvolumigen Zeitreihendaten.
• Erfahrung mit Datenmanagement, Katalogisierung oder Herkunftstools.
• Entwicklerwerkzeuge oder interne Datenplattformen für anspruchsvolle technische Nutzer gebaut - einschließlich in Bereichen wie quantitative Handels, wo sich schnell bewegende, explorative Datenarbeit sehr ähnlich wie Forschung verhält.
• Ein grundlegendes Wissen über maschinelles Lernen.
• In einem ML-Forschungslabor gearbeitet oder eng mit einem solchen zusammengearbeitet.
• Interesse an - oder Erfahrung mit - Personalmanagement und der Entwicklung von Ingenieuren.

Jahresgehalt: 405.000 - 850.000 USD

Logistik

• Minimale Ausbildung: Bachelor-Abschluss oder eine gleichwertige Kombination aus Ausbildung, Schulung und/oder Erfahrung.
• Erforderliches Studienfeld: Ein für die Rolle relevantes Feld, das durch Kursarbeit, Schulung oder berufliche Erfahrung nachgewiesen wird.
• Minimale Jahre an Erfahrung: Die erforderlichen Jahre an Erfahrung korrelieren mit den internen Stellenanforderungen für die Position.
• Standortbasierte Hybridpolitik: Derzeit erwarten wir, dass alle Mitarbeiter mindestens 25 % der Zeit in einem unserer Büros sind. Einige Rollen erfordern jedoch möglicherweise mehr Zeit in unseren Büros.
• Visumsponsoring: Wir sponsern Visas! Wir sind jedoch nicht in der Lage, für jede Rolle und jeden Kandidaten erfolgreich Visas zu sponsern. Wenn wir Ihnen jedoch ein Angebot machen, werden wir alle angemessenen Anstrengungen unternehmen, um Ihnen ein Visum zu besorgen, und wir behalten einen Einwanderungsanwalt, um dabei zu helfen.