Senior Machine Learning Engineer

Über das Unternehmen: Tools for Humanity (TFH) entwirft und entwickelt die Technologie hinter World. World baut ein echtes menschliches Netzwerk, das Menschen im Zeitalter der KI beschleunigen soll. Die TFH- und World-Technologiestacks ermöglichen dies: der Orb verifiziert echte, einzigartige Personen, World ID beweist dies privat, und die World App bringt diese Fähigkeiten in die Hände der Menschen. Gemeinsam fügen sie dem KI-gesteuerten Internet eine menschliche Ebene hinzu. World läuft bereits in globalem Maßstab. Mehr als 17 Millionen Menschen in 160 Ländern haben sich mit World ID verifiziert, und jede Woche finden neue Orb-Verifizierungen statt. Die World App gehört bereits zu den am häufigsten genutzten Wallets weltweit. Entwickler integrieren World ID, um sicherere Online-Erlebnisse zu schaffen und Räume zu schaffen, in denen echte Menschen teilnehmen, verdienen und anerkannt werden können, auf Arten, die KI einfach nicht replizieren kann.

Über das Team: Das AI & Biometrics-Team bei Tools for Humanity ist für die maschinellen Lernsysteme hinter dem World Network verantwortlich. Unsere Iris- und Gesichtserkennungssysteme, unsere Anti-Spoofing-Pipeline und die Modelle, die auf dem Orb und auf Handys laufen, sind es, die Proof of Personhood tatsächlich in großem Maßstab funktionieren lassen. Innerhalb des Face-Teams entwickeln wir Systeme zur Gesichtverifizierung, Einzigartigkeit und Duplikaterkennung, Präsentationsangriffsdetektion und unterstützende Fähigkeiten wie Gesichtserkennung, Bildqualitätsbewertung, Okklusionsdetektion, Pose-Schätzung und andere, die es diesen Systemen ermöglichen, zuverlässig unter realen Bedingungen zu arbeiten.

In dieser Rolle werden Sie:

• Gesichtsmachine-Learning-Projekte vom ersten Problemdefinition über Datenvorbereitung, Experimentierung, Evaluierung, Produktionsvalidierung bis hin zur Überwachung leiten, während Sie mit verschiedenen Teams zusammenarbeiten.
• Unsere Kernbiometrie-Identifikations- und Anti-Spoofing-Modelle verbessern, indem Sie tiefes Lernen, Architekturen, Verluste und Datenpipelines trainieren und iterieren, wobei Modellgröße, Latenz und Speicherbudgets von Anfang an als erste Designbeschränkungen berücksichtigt werden.
• Klassische Computer Vision und Bildverarbeitung verwenden, wenn sie die richtige Lösung sind, sei es als vollständige Methode, als Vorverarbeitungsschritt, als leichtgewichtiger On-Device-Komponente oder als Diagnosetool.
• Unabhängige angewandte ML-Initiativen von Anfang bis Ende leiten: eine schriftliche Hypothese formulieren, Ablationen entwerfen, die Variablen isolieren, Experimente durchführen, Ergebnisse ehrlich lesen und wissen, wann man versenden und wann man das letzte Prozentpunkt nicht weiter verfolgen sollte.
• Direkt mit Gesichtsbilddaten und -datensätzen arbeiten: Sammlung und Labels verbessern, schwierige Proben inspizieren, Fehlermuster identifizieren und diese Erkenntnisse nutzen, um Modell- und Evaluierungsänderungen voranzutreiben.
• Evaluierungspipelines erstellen, die Modellregressionen abfangen, bevor sie die Produktion erreichen, Überwachung, die Datenabweichungen, Änderungen der Punktverteilung, neue Angriffsmuster, kohortenspezifische Regressionen oder unerwartetes Modellverhalten aufdecken kann, und interne Tools für Datenanalyse, Modelltraining, Evaluierung, Visualisierung, Red Teaming und Überwachung verbessern.
• Relevante Forschung im Bereich Computer Vision und Biometrie lesen und bewerten, nützliche Ideen an unsere Systeme anpassen, ohne die Reproduktion von Papieren als Ziel zu betrachten.
• Entwurfsdokumente, Experimentberichte, Nachanalyse nach dem Start und technische Vorschläge schreiben, die auch nach Abschluss des Projekts nützlich bleiben und von anderen verstanden und weiterentwickelt werden können.
• Technische Standards im gesamten AI & Biometrics-Team gestalten: Evaluierungsmethodik, Experimentierdisziplin, Modellversionierung, Überwachung und alle Ingenieur- und wissenschaftlichen Standards des Teams.

Sie könnten gut passen, wenn Sie:

• Erhebliche praktische Erfahrung im Training, der Evaluierung und dem Versand von Deep-Learning-Systemen für Computer Vision haben, mit praktischem Verständnis für Latenz- und Speicherbeschränkungen.
• Erfahrung darin haben, ein mehrdeutiges maschinelles Lernproblem in einen strukturierten technischen Plan umzuwandeln.
• Starkes praktisches Wissen über das Modelltraining, einschließlich Datenpipelines, Augmentierungen, Architekturwahl, Verlustfunktionen, Optimierung, Hyperparameter-Tuning und Fehleranalyse.
• Starke Grundlagen in klassischer Computer Vision und Bildverarbeitung haben, mit Erfahrung in Tools wie OpenCV, NumPy oder gleichwertigen Bibliotheken. Fließend in Python und einem modernen Deep-Learning-Framework wie PyTorch.
• Erfahrung in der Gestaltung von Bewertungen haben, die reale Produktionsentscheidungen unterstützen, einschließlich Metrik-Auswahl, Betriebsschwellen, Kalibrierung, Datensatzkonstruktion, Slicing, Leakage-Prävention und Regressionsanalyse.
• Die Fähigkeit besitzen, wartbaren Forschungs- und Produktionscode zu schreiben.
• Eine pragmatische, angewandte Forschungsmentalität haben: rigoros in Bezug auf Experimente, aber in der Lage zu bestimmen, wann ein Ergebnis bereit ist, versendet zu werden, und wann weitere Optimierungen abnehmenden Wert haben.
• Starke schriftliche Kommunikation haben. Sie definieren das Problem, die Anforderungen, Annahmen, Experimente, Erfolgskriterien und Schlussfolgerungen klar.
• Ein kollaborativer Arbeitsstil: Sie arbeiten unabhängig, ohne isoliert zu werden, und teilen aktiv Kontext und Wissen mit anderen, engagieren sich konstruktiv mit Einschränkungen benachbarter Teams, anstatt sie als Hindernisse zu betrachten.
• Ein „in der Fahrersitz“-Betriebsstil: Sie übernehmen die Verantwortung für Probleme von Anfang bis Ende, treiben Ihre Arbeit voran, ohne auf Anweisungen zu warten, und stehen hinter Ihren Entscheidungen, sobald sie in der Produktion sind.

Zusätzliche wünschenswerte Qualifikationen:

• Direkte Erfahrung mit biometrischer Verifizierung/Identifikation; margin-basierte Metrik-Lernverluste und deren Fehlermuster; Präsentationsangriff und Lebendigkeitserkennung; oder adversarielle Bewertung von ML-Systemen.
• Erfahrung mit Edge-Optimierung und On-Device-Bereitstellung von ML-Modellen. Quantisierung, Pruning, Destillation, Kernel-Level-Optimierung, Bereitstellung auf mobilen NPUs, eingebetteten GPUs, Mikrocontrollern oder anderen eingeschränkten Zielen.
• Praktische Erfahrung mit Rust für Hochleistungs-Codepfade und die Neigung, Geschwindigkeit zu optimieren, anstatt es als Problem anderer zu betrachten.
• Hintergrund in Sensoren, Bildgebung, computergestützter Fotografie oder Kamera-ISPs.
• Vertrautheit mit datenschutzfreundlicher Berechnung oder maschinellen Lernsystemen, die mit sicherer Mehrparteienberechnung interagieren.