Senior Machine Learning Engineer/ Research Scientist

Über das Unternehmen

Tools for Humanity (TFH) entwirft und baut 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 World App bringt diese Fähigkeiten in die Hände der Menschen. Gemeinsam fügen sie dem KI-gesteuerten Internet eine menschliche Schicht 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. 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.

Gegründet im Jahr 2019 hat TFH mehr als 400 Mitarbeiter in den Bereichen Hardware, Software, KI, Kryptographie, mobile Technik und globale Operationen. Unsere Teams kommen von OpenAI, Tesla, SpaceX, Apple, Google, Stripe, Meta, Coinbase, Palantir und MIT Media Lab. Wir werden von führenden Investoren unterstützt, darunter a16z, Khosla Ventures, Bain Capital Crypto, Blockchain Capital, Variant, Tiger Global und Coinbase Ventures sowie von prominenten Betreibern und Gründern aus Fintech und KI.

TFH und World wurden auf dem Cover des TIME Magazine vorgestellt, in Fast Companys Next 5 in Fintech hervorgehoben und in einer Bloomberg-Analyse untersucht. Die New York Times, Bankless und TechCrunch haben alle unseren kollektiven Fortschritt in den Bereichen Identität, Kryptographie, KI und globaler Hardware-Bereitstellung anerkannt. Unsere Führung wurde ebenfalls in die Time AI 100 aufgenommen.

Über das Team

Das AI & Biometrics-Team bei Tools for Humanity ist für das maschinelle Lernen hinter dem World Network verantwortlich. Unsere Iris- und Gesichtserkennungssysteme, unsere Anti-Spoofing-Pipeline und die Modelle, die auf dem Orb laufen, sind es, die Proof of Personhood tatsächlich in großem Maßstab funktionieren lassen. Wir sind pragmatisch darin, wie wir sie bauen: Deep Learning, wo es seinen Platz verdient, klassische Computer Vision und Bildverarbeitung, wo es schneller und zuverlässiger ist, und häufig eine Hybridlösung aus beidem.

Das Team ist gut ausgestattet, um die Arbeit von Anfang bis Ende zu übernehmen. Wir haben ein dediziertes Mobile-Team, das für die Bereitstellung auf mobilen Geräten verantwortlich ist, sowie ML-Infrastruktur- und MLOps-Teams, die für die Datenpipelines, Trainingscluster, GPU-Flotte und die Werkzeuge verantwortlich sind, die alles unterstützen, was wir ausliefern. Das bedeutet, dass Forscher und Ingenieure im Team sich auf die Modellierungsarbeit selbst konzentrieren können, während die schwere Arbeit rund um Daten, Rechenleistung und Bereitstellung intern erledigt wird, anstatt ausgelagert oder improvisiert zu werden.

Über die Rolle

Wir suchen einen Senior oder Staff Machine Learning Engineer / Research Scientist, der uns hilft, unsere biometrischen Systeme über die nächste Größenordnung in Leistung und Sicherheit hinaus zu bringen. Dies ist eine Rolle für jemanden mit tiefgehender Erfahrung und starkem technischem Urteilsvermögen, der unabhängig an schwierigen, offenen Problemen arbeiten kann und die Messlatte im Team höher legen kann.

In dieser Rolle werden Sie:

• Unsere Kernmodelle zur biometrischen Identifikation und Anti-Spoofing verbessern, indem Sie an Deep-Learning-Architekturen, Verlustfunktionen und Datenpipelines trainieren und iterieren, wobei Modellgröße, Latenz und Speicherbudgets von Anfang an als erstklassige Entwurfsbeschränkungen gelten.
• Unabhängige Forschungsinitiativen 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 Prozent nicht weiter verfolgen sollte.
• Evaluierungs- und Überwachungspipelines aufbauen, die Modellregressionen abfangen, bevor sie in die Produktion gelangen, und Datenabweichungen in der Wildnis aufdecken.
• Die Arbeit vom Prototyp über rigoroses Testen bis hin zum bereitgestellten System bringen, indem Sie mit verschiedenen Teams zusammenarbeiten.

Sie könnten in dieser Rolle erfolgreich sein, wenn Sie:

• Ein „in der Fahrersitz“-Betriebsstil haben: 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.
• Starke Grundlagen in klassischer Computer Vision und Bildverarbeitung haben - OpenCV, NumPy, die Standardwerkzeuge für Filter, Transformationen, Morphologie, geometrische Methoden.
• Pragmatische, angewandte Forschungsmentalität: Sie kümmern sich um Rigorosität und Tiefe, wissen aber, wann ein Ergebnis gut genug ist, um es zu versenden, und wann das Verfolgen des letzten Prozentsatzes auf einem Benchmark eine falsche Verwendung Ihrer Zeit ist.

Zusätzliche Nice-to-haves:

• Praktische Erfahrung mit Rust für Hochleistungs-Codepfade und die Neigung, Geschwindigkeit zu optimieren.
• Erfahrung mit Edge-Optimierung und der Bereitstellung von ML-Modellen auf Geräten.
• Ein Hintergrund in Sensoren, Bildgebung, computergestützter Fotografie oder Kamera-ISPs.