Czy chciałbyś dołączyć do innowacyjnej grupy naukowców, którzy korzystają z uczenia maszynowego i metod statystycznych, aby pomóc Amazonowi dostarczać najlepszą obsługę klienta poprzez automatyzację ograniczania ryzyka i oferowania rozwiązań?
Chcesz tworzyć zaawansowane systemy algorytmiczne, które nadzorują zaufanie i bezpieczeństwo milionów komunikatów klientów każdego dnia? Czy pomysł analizowania i modelowania terabajtów danych oraz tworzenia najnowocześniejszych algorytmów do rozwiązywania problemów świata rzeczywistego Cię ekscytuje?
Czy chciałbyś tworzyć kompleksowe rozwiązania biznesowe i bezpośrednio wpływać na zyskowność firmy? Czy lubisz innowacje i upraszczanie procesów?
Jeśli odpowiadasz pozytywnie, możesz być idealnym kandydatem do naszego zespołu Machine Learning Accelerator w grupie Amazon Selling Partner Services (SPS).
Główne obowiązki obejmują:
- Wykorzystanie metod statystycznych i uczenia maszynowego do tworzenia skalowalnych systemów zarządzania ryzykiem i wsparcia.
- Analizowanie dużych wolumenów historycznych danych biznesowych Amazona pod kątem ryzyka.
- Projektowanie, rozwój i ocena innowacyjnych modeli zarządzania ryzykiem.
- Współpraca z naukowcami i inżynierami programistycznymi w celu praktycznego zastosowania aplikacji modeli w czasie rzeczywistym i tworzenia nowych funkcji.
- Tworzenie skalowalnych, wydajnych, zautomatyzowanych metod przeznaczonych do analizy dużych zbiorów danych, rozwijania modeli, walidowania modeli oraz ich implementacji.
- Badanie i wdrażanie nowatorskich podejść do uczenia maszynowego i statystyki.
Proszę odwiedzić [https://www.amazon.science] aby uzyskać więcej informacji.
Naukowiec stosowany II w zespole Machine Learning Accelerator (MLA) w ramach grupy Selling Partner Services (SPS) jest odpowiedzialny za badanie i tworzenie prototypów zastosowań uczenia maszynowego, które rozwiązują strategiczne problemy biznesowe w różnych domenach SPS. Co więcej, naukowiec współpracuje z inżynierami i kolegami z biznesu w celu opracowania i wdrożenia rozwiązań na dużą skalę, gdy są one korzystne dla organizacji SPS. Wprowadzają narzędzia ułatwiające rozwiązywanie problemów, wykazują głębokie kompetencje w wielu obszarach i wpływają na strategię techniczną zespołu za pomocą przenikliwych wkładów. Ponadto tworzą narzędzia i praktyki, które usprawniają pracę zespołu, są mentorami dla młodszych członków zespołu i uczestniczą w procesie rekrutacji.
Zapraszamy do składania podań na stanowiska z siedzibą w Seattle, WA, USA.
Podstawowe kwalifikacje:
- Doktorat lub tytuł magistra z co najmniej 4-letnim doświadczeniem w dziedzinie informatyki, inżynierii komputerowej, uczenia maszynowego lub pokrewnej.
- Doświadczenie w programowaniu w Java, C++, Python lub podobnym języku.
- Wiedza w jakiejkolwiek z tych dziedzin: algorytmy i struktury danych, parsowanie, optymalizacja numeryczna, eksploracja danych, obliczenia równoległe i rozproszone, obliczenia o wysokiej wydajności.
Preferowane kwalifikacje:
- Doświadczenie w korzystaniu z Unix/Linux.
- Profesjonalne doświadczenie w tworzeniu oprogramowania.
Amazon zobowiązuje się do różnorodności i równości w miejscu pracy. Jesteśmy pracodawcą równych szans i nie dyskryminujemy na podstawie żadnej prawnie dopuszczalnej podstawy. Jeśli jesteś osobą niepełnosprawną i chciałbyś poprosić o dostosowanie warunków pracy, odwiedź https://www.amazon.jobs/en/disability/us.
Nasze wynagrodzenia odzwierciedlają koszty pracy na różnych rynkach geograficznych w USA. Roczne wynagrodzenie za to stanowisko wynosi od 136 000 dolarów w naszym najniższym rynku geograficznym do 222 200 dolarów w naszym najwyższym. Czynniki takie jak lokalizacja rynku i umiejętności oraz wiedza związane z pracą mogą wpływać na stawkę płacy. Inne formy wynagrodzenia, takie jak udziały w kapitale, premie za podpisanie umowy, mogą również stanowić część pakietu wynagrodzenia, w dodatku do świadczeń medycznych, finansowych i innych. Aby uzyskać więcej informacji, odwiedź https://www.aboutamazon.com/workplace/employee-benefits. Prosimy o składanie podań za pośrednictwem naszej wewnętrznej lub zewnętrznej strony kariery.