Scientifique Senior en Apprentissage Automatique

Emplacement : Boston, MA

Qui nous sommes

Les équipes d'apprentissage automatique de Wayfair sont le moteur de notre réussite commerciale, améliorant constamment l'expérience client et construisant la fidélité des clients. Notre équipe Science de l'apprentissage automatique (MLS) Catalogue est dédiée à l'exploitation de la puissance de l'apprentissage automatique pour permettre la prise de décision orientée fournisseur grâce à l'utilisation des données des clients. Nous nous concentrons sur des tâches critiques telles que l'extraction de tags de produits, la réalisation de comparaisons de catalogues et l'identification de SKUs à fort potentiel.

Nous travaillons en étroite collaboration avec les services Merchandising, Opérations de catalogue et Ingénierie pour construire des systèmes algorithmiques évolutifs responsables de la maintenance d'un catalogue Wayfair bien défini :

Nous cherchons un scientifique expérimenté en apprentissage automatique pour rejoindre l'équipe Data Science Catalogue, avec un accent sur le développement d'algorithmes évolutifs et de plateformes pour alimenter le moteur de Wayfair pour faire correspondre des produits identiques et très similaires afin d'améliorer l'expérience client et la découvrabilité de l'offre de produits volumineuse de Wayfair. Vous travaillerez avec d'autres scientifiques en apprentissage automatique, ainsi qu'avec plusieurs équipes de merchandising et d'ingénierie pour résoudre l'un de nos problèmes de science des données les plus impactants et intellectuellement stimulants chez Wayfair.

Ce que vous allez faire

• Développer des modèles de correspondance de produits en utilisant les sources de données d'images et de texte de Wayfair pour dédupliquer, organiser et organiser le catalogue de Wayfair
• Intégrer les résultats de modèles dans une variété de cas d'utilisation finaux avec des équipes commerciales et d'ingénierie partenaires pour générer de la valeur pour Wayfair
• Travailler avec des équipes d'ingénierie partenaires (Catalog DS Eng.) pour construire des modèles et des services en temps réel pour une consommation généralisée à travers Wayfair
• Développer la prochaine génération d'opérations de correspondance et de systèmes de support de décision pour automatiser les opérations d'ajout de nouveaux produits au catalogue de Wayfair
• Communiquer les résultats et influencer la prise de décision avec les parties prenantes supérieures pour entrainer des améliorations dans les processus de bout en bout

Ce dont vous aurez besoin

• 3+ années d'expérience dans un environnement de travail quantitatif ou technique avec un diplôme avancé (Doctorat) dans un domaine quantitatif (ex : mathématiques, économie, informatique, ingénierie, physique, neurosciences, recherche opérationnelle, etc.) ou 4+ années d'expérience avec un Master dans un domaine quantitatif
• Apprentissage automatique à l'aide d'un large éventail de techniques (comme l'apprentissage supervisé/faiblement supervisé, vision par ordinateur, apprentissage profond, etc.)
• Maîtrise d'un ou plusieurs langages de programmation, par exemple Python, Java, C++, etc.
• Expérience préalable de la construction de pipelines de traitement de données évolutives avec des outils comme Hadoop, Hive, SQL, Spark, etc.
• Expérience préalable de la formulation de problèmes pouvant être résolus avec ML, évaluation avec des métriques appropriées et création de valeur pour des cas d'utilisation commerciaux.
• Expérience avec le calcul dans le cloud (c'est-à-dire GCP, AWS), les générateurs de planification (c'est-à-dire Airflow), et la conteneurisation (Docker) sont un plus
• Capacité à travailler efficacement avec les responsables commerciaux : excellentes compétences en communication, capacité à synthétiser les conclusions pour les non-experts et désir d'influencer les décisions commerciales
• Tendance à résoudre les problèmes et intuition quant à l'alignement étroit du travail sur les objectifs commerciaux
• Capacité à prospérer dans un environnement dynamique où il peut y avoir différents niveaux d'ambiguïté