Tekoälyinsinööri - Genius Sports - New York, Yhdysvallat

Roolista - Tekoälyinsinööri, Sports AI Etsimme tekoälyinsinööriä Sports AI -tiimiimme auttamaan seuraavan sukupolven sovellettujen tekoälyjärjestelmien rakentamisessa, jotka tukevat urheiluanalyysia, automaatiota ja oivalluksia. Nämä järjestelmät käyttävät reaaliaikaista ja historiallista urheiludataa, mukaan lukien seurantadataa, jäsenneltyjä syötteitä, lähetysvideota, kommentaareja ja tekstiä, pelikontekstin ymmärtämiseen, avaintapahtumien tunnistamiseen ja rikastamiseen, tulevien tapahtumien todennäköisyyden arvioimiseen ja oivallusten luomiseen. Näiden järjestelmien tulokset ohjaavat useita tuotteita ja työnkulkuja, kuten sen ennustamista, mitkä pelit tai hetket ovat jännittävimpiä faneille, sekä manuaalisen play-by-play-tiedonkeruun osittain automatisointia CV/AI:n avulla. Rooli kattaa laajan joukon urheilumallinnus- ja automaatio-ongelmia useissa eri lajeissa, mukaan lukien jalkapallo, amerikkalainen jalkapallo ja koripallo. Tämä rooli sijoittuu koneoppimisen, tekoälyjärjestelmien suunnittelun ja tuotantotekniikan risteyskohtaan. Vastaat määritellyistä tekoälyjärjestelmistä päästä päähän: relevanttien mallinnusongelmien määrittelystä, tarvittavien tietoaineistojen rakentamisesta, mallien ja algoritmien kouluttamisesta ja koostamisesta, niitä ohjaavien päättelyputkien rakentamisesta sekä tulosten laadun ankarasta arvioinnista epätäydellistä, reaaliaikaista dataa vasten. Työskentelet haasteiden parissa, kuten signaalien yhdistäminen useista lähteistä, epävarmuuden ja epäjohdonmukaisuuden hallinta järjestelmien tuloksissa sekä tarkkuuden, viiveen ja luotettavuuden parantaminen reaaliaikaisissa tuotantoprosesseissa. Tässä roolissa käytännön ML/AI-työ on keskeistä: datan ymmärtäminen, mallien ja algoritmien kehittäminen, tulosten empiirinen arviointi ja iterointi tuotannossa. Sovellat myös kielimalleja (LLM) ja agenttipohjaisia työnkulkuja osana laajempaa tekoälyinsinööritaitoasi. Keskeiset vastuualueet - Vastaa sovelletusta tekoälytyöstä päästä päähän, datan tutkimisesta ja varhaisista prototyypeistä arviointiin, tuotanto-integraatioon ja iterointiin - Kehitä ja koostaa malleja, algoritmeja ja päättelyputkia, jotka muuntavat urheiludatan jäsennellyiksi tapahtumiksi, ennusteiksi, oivalluksiksi ja luottamusarvoisiksi tuloksiksi - Rakenna malleja ongelmiin, kuten tapahtumien tunnistus, tapahtumien todennäköisyyden arviointi, fanien kiinnostuksen ja innostuksen ennustaminen sekä manuaalisen play-by-play-tiedonkeruun automatisointi - Työskentele epätäydellisen, multimodalisen urheiludatan kanssa seurantajärjestelmistä, video- ja tietokonenäkötuloksista, äänestä, kommenteista, tekstistä ja jäsennellyistä syötteistä, mukaan lukien puutteelliset merkinnät ja monitulkintaiset reaaliaikaiset esimerkit - Määrittele ja käytä mittareita, arviointidataa ja vertailukohtia tekoälyjärjestelmän laadun mittaamiseen sekä malli-, algoritmi- ja tuotepäätösten ohjaamiseen - Kouluta, adaptoi, arvioi ja integroi ML-malleja ja tekoälykomponentteja, mukaan lukien monivaiheiset järjestelmät, joissa malli-, algoritmi- ja LLM/agenttitulokset koostetaan, validoidaan ja hienosäädetään - Suunnittele työnkulkuja, joissa käytetään ihmisen tekemää tarkistusta tai korjausdataa arvioinnin, mallin iteroinnin ja tuotantotulosten laadun parantamiseen - Työskentele läheisesti CV-insinöörien kanssa koulutusputkissa, merkintätyönkuluissa ja mallien käyttöönotto-malleissa - Tee yhteistyötä tuote-, dataplattforming-, infrastruktuuri- ja järjestelmäinsinöörien kanssa arvioitujen tekoälytulosten integroimiseksi reaaliaikaisiin urheilutuotteisiin ja automaatioprosesseihin - Menturoi juniori-tiimin jäseniä ja osallistu tiimin tiedonjakoon, katselmointeihin ja kokeiden suunnitteluun Kvalifikaatiot - Yli 3 vuoden kokemus tuotantotason ML-, CV- tai AI-järjestelmien rakentamisesta - Kyky kääntää epämääräiset urheilutuotetavoitteet konkreettisiksi ML-tehtäviksi, mukaan lukien ennustekohteen määrittely, oikean datan tunnistaminen, tulosten laadun mittaaminen ja tuotantovalmiiden ratkaisujen toimittaminen - Käytännön kokemus tuotantotason ML/AI-työstä, mukaan lukien tietoaineistojen rakentaminen, piirteiden ja merkintöjen määrittely, mallien koulutus ja käyttöönotto, tulosten empiirinen arviointi ja tekoälyominaisuuksien vieminen tuotantoon - Vahva mallinnusosaaminen syväoppimisen ja klassisen koneoppimisen välillä, kokemusta lähestymistapojen valinnasta datasyötteiden ja ongelman rakenteen perusteella - Kokemusta ennustavasta mallinnuksesta, tapahtumien tunnistuksesta, datan merkinnöistä, datan laadun parantamisesta ja kokeiden tulosten viestimisestä teknisille ja ei-teknisille sidosryhmille - Kyky arvioida tekoälyjärjestelmän laatua muutenkin kuin anekdoottisesti, mukaan lukien päättely monitulkintaisten tulosten, puutteellisten merkintöjen, epävarmuuden ja reaaliaikaisten tuotanto-kompromissien suhteen - Vahvat tuotantotekniikan perusteet, mukaan lukien testaus, havaittavuus, suorituskyky ja luotettavuus - Osoitettu kiinnostus LLM-mallien, uusimpien mallien, agenttipohjaisten tekoälyjärjestelmien ja kehityskehysten nopeasti kehittyvään maailmaan - Mukavuus työskennellä nopeasti liikkuvissa, iteratiivisissa ympäristöissä, joissa vaatimukset kehittyvät Toivottuja kvalifikaatioita - Käytännön kokemus LLM-integroiduista työnkuluista, LLM-rajapinnoista tai pilvipohjaisista tekoälyalustoista, kuten AWS Bedrock, agenttipohjaisista tekoälyjärjestelmistä, moniagenttijärjestelmistä tai LLM/agenttitulosten arvioinnista tuotantoprosesseissa - Kokemusta urheilun ymmärtämiseen liittyvistä ML/CV-alueista, kuten toimintojen tunnistus, sekvenssimallinnus, multimodalinen mallinnus, objektien tunnistus, seuranta tai pelaajien tunnistus - Kokemusta pelaajien seurantadatasta, urheiluanalyysistä, play-by-play-datasta, merkintäalustoista ja/tai ML-koulutusalustoista, kuten Union - Kokemusta yhteistyöstä CV-insinöörien kanssa tai CV-mallien tulosten integroinnista jatkokehityksen ML-työnkuluun - Kokemusta ihmisen tekemien tarkistus- tai korjausprosessien käytöstä tekoälyjärjestelmän laadun arvioinnissa ja parantamisessa - Kokemusta tuotantojärjestelmien rakentamisesta Rust-kielellä - Tutututut streaming-, tapahtumapohjaiset, audio/video- tai reaaliaikaiset datavirrat ovat eduksi - Tausta tai vahva kiinnostus urheiluun, erityisesti jalkapalloon, amerikkalaiseen jalkapalloon ja koripalloon