Científico de Datos Principal - Deep Learning

Los datos, y cómo se utilizan, desempeñan un papel central en Jampp y están en el corazón de cómo tomamos decisiones de producto, de negocio, operativas y financieras.

Nuestro equipo de Data Science aborda problemas desafiantes en muchas disciplinas técnicas, incluyendo la previsión de series temporales, la minería de grafos, la optimización algorítmica en petabytes de datos, la inferencia causal con datos faltantes y el aprendizaje automático a escala.

Ahora estamos llevando nuestra plataforma de aprendizaje automático al siguiente nivel. Estamos evolucionando de modelos construidos en torno a características diseñadas manualmente hacia una arquitectura de aprendizaje profundo basada en embeddings, lo que permite a nuestros modelos aprender representaciones más ricas de usuarios, dispositivos, creatividades, editores, anunciantes, aplicaciones, campañas y emplazamientos.

Como Principal Data Scientist - Deep Learning, desempeñarás un papel clave en la definición y el liderazgo de esta transformación. Proporcionarás liderazgo técnico en el desarrollo de nuestra arquitectura de aprendizaje automático de próxima generación, desde el diseño de modelos de aprendizaje profundo y estrategias de embeddings hasta su despliegue y evolución en producción.

Trabajarás de forma práctica en algunos de los problemas de modelado más desafiantes de la publicidad programática, al tiempo que establecerás la dirección técnica, definirás las mejores prácticas y ayudarás a otros Data Scientists e ingenieros a tomar decisiones sólidas de arquitectura y modelado.

Esto no es un silo de investigación. Tendrás la oportunidad de trabajar con conjuntos de datos masivos y de alta cardinalidad, sistemas de puja en tiempo real y modelos que influyen directamente en cómo Jampp evalúa y puja por millones de oportunidades publicitarias cada segundo.

• Definir e impulsar la estrategia técnica para la arquitectura de modelado basada en embeddings y aprendizaje profundo de Jampp.
• Diseñar, desarrollar e iterar arquitecturas DNN avanzadas para la predicción y optimización, centrándose inicialmente en casos de uso de CPI/CPA y expandiéndose progresivamente hacia la puja en tiempo real, la optimización de pujas, el ranking y la optimización de campañas.
• Definir la arquitectura y la estrategia para el aprendizaje de representaciones ricas de entidades de alta cardinalidad como usuarios, dispositivos, creatividades, editores, anunciantes, aplicaciones, campañas y emplazamientos.
• Liderar el diseño de enfoques reutilizables de embeddings y aprendizaje de representaciones que puedan dar soporte a múltiples modelos y casos de uso en toda la plataforma.
• Identificar oportunidades para mejorar el rendimiento, la escalabilidad y la generalización de nuestros modelos de aprendizaje automático utilizando señales puras y representaciones aprendidas.
• Desarrollar enfoques de modelado para la predicción y la toma de decisiones en tiempo real en la publicidad programática, donde los modelos operan bajo estrictas restricciones de latencia y escala.
• Evaluar nuevos enfoques y tecnologías de modelado, equilibrando las técnicas de aprendizaje profundo de vanguardia con los requisitos prácticos de los sistemas DSP y RTB a gran escala.
• Establecer estándares técnicos y mejores prácticas para el desarrollo, experimentación, evaluación y puesta en producción de modelos en todo el equipo de Data Science.
• Guiar iniciativas de modelado complejas desde la definición del problema y la experimentación hasta el despliegue en producción y la mejora continua.
• Diseñar, codificar y desplegar modelos de aprendizaje automático y herramientas de producción de apoyo, principalmente en Python, manteniendo un rol práctico en las partes técnicamente más desafiantes del trabajo.
• Trabajar estrechamente con ML Engineers, Data Engineers y Software Engineers para dar forma a la infraestructura de entrenamiento, los pipelines de datos, la infraestructura de características, la arquitectura de servicio y los bucles de retroalimentación necesarios para dar soporte a la próxima generación de la plataforma de ML de Jampp.
• Analizar las métricas de rendimiento del modelo y del producto para comprender cómo los cambios algorítmicos impactan en las decisiones de puja, el rendimiento de las campañas, la respuesta del usuario y los resultados de negocio.
• Proporcionar mentoría y orientación técnica a los Data Scientists, ayudándoles a navegar por problemas de modelado complejos y a desarrollar enfoques más sólidos para la experimentación y el diseño de modelos.
• Comunicar los hallazgos técnicos, las decisiones arquitectónicas, las compensaciones y las recomendaciones de forma clara tanto a las partes interesadas técnicas como a las no técnicas.
• Colaborar con los equipos de Data Science y ML en Jampp y Affle para identificar oportunidades de capacidades compartidas, conocimientos y soluciones de aprendizaje automático.