Machine Learning Engineer - Supply Platform

Présentation de l'entreprise

Liftoff est la principale plateforme d'accélération de croissance pour l'industrie mobile, permettant aux annonceurs, éditeurs, développeurs de jeux et DSP de stimuler la croissance des revenus grâce à des solutions innovantes pour le marketing et la monétisation des applications mobiles. Notre suite complète de solutions comprend Accelerate, Direct, Influence, Monetize, Intelligence et Vungle Exchange, desservant plus de 6 600 entreprises mobiles dans 74 pays dans des secteurs tels que le jeu, les réseaux sociaux, la finance, le commerce électronique et le divertissement. Fondée en 2012 et basée à Redwood City, CA, Liftoff possède une présence mondiale diversifiée.

Présentation du poste

L'équipe de la plateforme d'approvisionnement chez Liftoff est essentielle au succès de notre activité côté éditeur. Nous recherchons des ingénieurs innovants motivés par le défi de construire et d'étendre des systèmes à faible latence et à haut débit. Notre équipe se consacre à concevoir et à construire des infrastructures de plateforme traitant plus d'un milliard d'événements quotidiennement, en utilisant des technologies de pointe pour développer des systèmes efficaces et évolutifs. Si vous avez une passion pour la construction et l'optimisation de ces systèmes, nous serions ravis de nous connecter avec vous !

Lieu

Ce poste est principalement en télétravail, avec une préférence pour les candidats capables de travailler selon les horaires du fuseau horaire du Pacifique et disposés à se rendre dans le comté d'Orange pour des réunions en personne 1 à 2 semaines par trimestre. Bien que notre entreprise opère à distance, nous avons des hubs aux États-Unis à Redwood City, Los Angeles, San Francisco, Orange County, et NYC. Les candidats de la région d'Orange County/Los Angeles peuvent bénéficier de réunions en personne régulières à Costa Mesa, CA.

Responsabilités

• Développer et entraîner des algorithmes de machine learning pour identifier et prioriser dynamiquement les inventaires à forte valeur ajoutée pour les acheteurs Real-Time Bidding (RTB), en explorant continuellement les inventaires précédemment sous-performants pour saisir de nouvelles opportunités.
• Utiliser et améliorer l'infrastructure existante de machine learning pour soutenir les objectifs d'optimisation, en garantissant l'évolutivité et l'efficacité pour le traitement des requêtes d'enchères à haut débit et faible latence.
• Concevoir, exécuter et superviser des expériences pour tester différentes stratégies d'optimisation, en alignant les estimations hors ligne avec les estimations de revenus en ligne à l'aide de méthodes d'estimation contrefactuelle et d'estimation de score de propension inverse. Réaliser des analyses statistiques avancées pour affiner les algorithmes.
• Collaborer avec des équipes d'ingénierie pour assurer des pipelines de données robustes, garantissant que les modèles de ML puissent efficacement exploiter ces données dans la technologie des enchérisseurs.
• Encadrer et guider une équipe diversifiée d'ingénieurs de classe mondiale, en favorisant une culture d'excellence en ingénierie grâce à des outils de pointe, des tests axés sur les risques, des systèmes explicatifs et des revues de code rigoureuses.

Exigences

• Diplôme BS/MS en informatique, science des données, mathématiques, ou dans un domaine connexe.
• 12+ années d'expérience technique professionnelle.
• 5+ années d'expérience en tant qu'ingénieur logiciel.
• 8+ années d'expérience dans la gestion et l'exécution de projets de machine learning.
• Expertise approfondie des algorithmes de machine learning et expérience pratique avec les frameworks et bibliothèques de ML.
• Maîtrise de Python, Go, R, C++ ou Java.
• Connaissance approfondie des systèmes distribués et des frameworks de traitement de données.
• Compétences exceptionnelles en résolution de problèmes et en analyse.
• Expérience avancée avec les outils de visualisation de données tels que Tableau ou Looker.
• Capacité prouvée à communiquer des concepts techniques complexes à des audiences techniques et non techniques.