Senior ML Engineer

Verantwortlichkeiten

• Wir bewegen uns von einem Produkt, bei dem KI ein aktivierbares Feature ist, zu einem, bei dem sie eine Schicht ist, die alles durchdringt: Antwortvorschläge, Missbrauchserkennung, Zusammenfassungen, Lead-Scoring, Intent-Klassifizierung.
• Der Wechsel funktioniert nur, wenn es eine Ingenieurebene gibt, die ML-Systeme mit der gleichen Strenge behandelt wie den Rest der Produktion.
• Wir sind AI-pragmatisch, nicht AI-maximalistisch.
• Die meisten unserer Produkte werden auf Frontier-Modell-APIs mit Retrieval und gutem Prompt-Engineering laufen.
• Einige werden auf kleinen Klassifikatoren basieren, die wir selbst trainieren.
• Einige Dinge rechtfertigen das Fine-Tuning gegen unsere elf Jahre an Konversationsdaten.
• Sie sind dafür verantwortlich, die Plattform zu bauen, die es uns ermöglicht, zwischen diesen Ansätzen zu wechseln, ohne jedes Mal von Grund auf neu zu bauen.
• Sie besitzen die ML- und AI-Ingenieurebene von Anfang bis Ende.
• Die ML Ops-Plattform: Modellregistrierung, Feature-Pipelines und Bereitstellungspfade, die jeder Ingenieur in der Organisation nutzen kann.
• Evaluierungsinfrastruktur, die Regressionen erkennt, bevor sie in die Produktion gelangen.
• Drift-Erkennung, Online-Evaluierungen, Kosten- und Latenzüberwachung.
• Rollback- und progressive Rollout-Muster, die für ML-Systeme entwickelt wurden.
• Angewandte KI im Produkt: LLM-gestützte Funktionen, die auf Frontier-APIs basieren: Prompt-Engineering, Retrieval, strukturierte Generierung.
• Evaluierungsrahmen, die uns sagen, ob etwas tatsächlich funktioniert.
• Kosten- und Latenzbudgets sowie die Ingenieursarbeit, um innerhalb dieser Budgets zu bleiben.
• Mensch-in-der-Schleife-Feedbackschleifen, die Funktionen im Laufe der Zeit messbar verbessern.
• Modelle, die wir besitzen: Kleine spezialisierte Klassifikatoren, wo sie das richtige Werkzeug sind: Intent, Opt-out, Dringlichkeit, Missbrauch.
• Selektives Fine-Tuning, wenn die Aufgabe, die Daten und die Wirtschaftlichkeit übereinstimmen.
• Inference-Infrastruktur, die unter Kampagnenvolumenlast standhält.
• Urteil und Muster: Build-vs-Buy-Entscheidungen. Wissen, wann eine Frontier-API die richtige Antwort ist, wann ein verwalteter Dienst in Ordnung ist, wann man fine-tunen sollte und wann ein Regex ausgereicht hätte.
• Schutzmaßnahmen, damit Produktingenieure KI-Funktionen bereitstellen können, ohne ML-Experten zu werden.
• Eine klare, verteidigbare Sichtweise darauf, welche Kundendaten wofür verwendet werden können und wie sie behandelt werden.
• Wie KI passt: Wir sind eine KI-native Ingenieureorganisation. Claude Code ist zu 100 % lizenziert und etwa 80 % aktiv in der Ingenieurabteilung.
• Sie werden erwartet, es intensiv für Ihre eigene Arbeit zu nutzen und die Organisation zu drängen, wo KI die Art und Weise verändert, wie ML selbst gebaut wird: synthetische Evaluierungsgenerierung, automatisierte Regressionserkennung, schnellere Experimentierschleifen.
• Sie werden auch die Person sein, zu der andere Ingenieure kommen, wenn sie eine KI-Funktion zu etwas hinzufügen möchten, das sie besitzen.
• Die Messlatte ist, dass sie das Gespräch mit mehr Wissen verlassen als sie hineingekommen sind.

WER SIE SIND

• 6+ Jahre Erfahrung in der Ingenieurwissenschaft, davon mindestens 3 Jahre mit Fokus auf ML-Plattform, ML Ops oder angewandtem ML in der Produktion.
• Sie waren für Modelle im Bereitschaftsdienst. Sie wissen, was kaputtgeht und wie man es so gestaltet, dass es weniger kaputtgeht.
• Starke praktische Erfahrung mit LLM. Sie haben Meinungen zu Evaluierung, RAG, Prompt-Engineering und wo jede versagt.
• Sie können den Unterschied zwischen einem Demo- und einem Produktionssystem erkennen.
• Komfortabel in Python über den modernen ML-Stack.
• Komfortabel genug in Ruby on Rails, um sich in unser Produkt zu integrieren.
• Tiefe Kenntnisse in cloud-nativer Infrastruktur (AWS bevorzugt).
• Container, IaC, die langweiligen Teile des Betriebs von Produktionssystemen.
• Nachweisliche Erfolge bei guten Build-vs-Buy-Entscheidungen. Sie haben häufiger „Nein“ gesagt, als dass Sie „Ja“ gesagt haben.
• Klare Kommunikation. Sie können das Verhalten eines Modells einem PM und eine Inferenzpipeline einem Backend-Ingenieur am selben Nachmittag erklären.

Bonus

• Echte Fine-Tuning-Erfahrung mit offenen Modellen, von Ende zu Ende durch die Produktion.
• Erfahrung mit konversationaler KI, NLP oder Messaging-Produkten.
• Vertrautheit mit PII-Handling und Datenverwaltung für ML-Systeme.
• Hintergrund in einer kleineren Ingenieureorganisation, in der Sie mehrere Hüte getragen haben.

Beschäftigungsdetails

• Jobtyp: Vollzeit
• Vergütungsbereich: $180-200K
• Standort: Hybrid / Hauptsitz in Denver, CO
• Zielstartdatum: 2 Wochen nach Angebotsdatum
• Anzahl der Einstellungen für diese Rolle: 1
• Berichtet an: Doug Busley, SVP Engineering

Leistungen

• Wettbewerbsfähige Vergütung
• Kranken-/Zahn-/Sehversicherung
• HSA-Beiträge
• 401K mit Unternehmensbeitrag
• Unbegrenzter PTO
• Handy- und Internetvergütung von $100/Monat.
• Einmaliger $1,000 Home-Office-Stipendium, nachdem Sie 6 Monate bei TextUs waren.
• Bis zu 12 Wochen Elternzeit
• 12 Feiertage + EOY-Schließung
• U.S. remote first mit optionalem WeWork-Büro in der Innenstadt von Denver, CO

Gleichberechtigter Arbeitgeber. TextUs diskriminiert nicht aufgrund von Rasse, Farbe, Religion (Glaubensbekenntnis), Geschlecht, Geschlechtsausdruck, Alter, nationaler Herkunft (Abstammung), Behinderung, Familienstand, sexueller Orientierung oder Militärstatus in allen seinen Aktivitäten oder Operationen. Wir setzen uns dafür ein, ein integratives und einladendes Umfeld für alle Mitglieder unseres Personals, Freiwillige, Subunternehmer, Anbieter und Kunden zu schaffen.