Principal AI/ML-инженер — рекомендации и ранжирование
Rula — работодатель в сфере психического здоровья. Компания считает психическое здоровье не менее важным, чем физическое, и стремится сделать помощь доказательной, сострадательной и доступной, чтобы психическое здоровье не стигматизировалось и не маргинализировалось. Rula — remote-first компания. Нанимает в большинстве штатов США, кроме Гавайев.
О роли
Роль владеет прикладными AI и ML-решениями, которые определяют, что, как и насколько хорошо AI представлен в сфере психического здоровья. Фокус не на изолированных прототипах, а на production-grade AI-системах, которые напрямую обеспечивают подбор пары пациент-провайдер, клинические процессы и вовлечённость пациентов. Непосредственный фокус — поисковое ранжирование, релевантность и подбор пары пациент-провайдер. Более широкий охват — общая стратегия персонализации и рекомендаций, а также руководство базовыми ML-платформами, которые поддерживают их в масштабе. Роль работает на стыке прикладных исследований, архитектуры систем и реальных клинических ограничений.
Работа включает разработку продвинутых рекомендательных движков и retrieval-моделей, применение NLP и генеративного AI к клиническим процессам, установление технических стандартов AI-безопасности и принятие principal-решений о том, как ML внедряется в среду с высокими ставками. Цель — использовать прикладной AI: от интеллектуального подбора и глубокой персонализации до более широких AI-решений, чтобы сделать помощь доступнее и эффективнее без ущерба доверию и результатам.
Это глубоко практическая роль с реальным техническим владением. Нужно разрабатывать и дообучать модели (например, Learning-to-Rank, эмбеддинги, рекомендательные алгоритмы и LLM), проектировать как продуктовые AI-архитектуры, так и базовую ML-инфраструктуру, разблокировать сложные инженерные задачи и быть техническим мультипликатором для инженеров, работающих над продуктовыми поверхностями. Успех — это выпуск прикладных AI-функций, которые ощутимо улучшают качество подбора и пользовательский опыт, и одновременно создание масштабируемых, долговечных AI-основ, на которые другие смогут уверенно опираться. Возможность не столько в погоне за AI-фронтиром ради него самого, сколько в формировании того, как прикладной ML ответственно становится частью повседневной психиатрической помощи. Роль задаёт направление не только для систем релевантности и рекомендаций, но и для всей AI-экосистемы — от инфраструктуры до продвинутых клинических приложений, чтобы со временем активно улучшать результаты пациентов.
Обязательные требования
- 10+ лет опыта в разработке ПО, включая 7+ лет проектирования и масштабирования распределённых систем и 5+ лет создания и развёртывания production-grade ML-приложений.
- 5+ лет глубокого практического опыта создания и оптимизации поиска, ранжирования, релевантности или рекомендательных движков в масштабе (например, Learning-to-Rank, коллаборативная фильтрация, глубокие рекомендательные системы, семантический векторный поиск).
- 5+ лет сильного программирования на Python и как минимум одном backend-языке (предпочтительно TypeScript, Java или Go), а также 2+ года создания AI-продуктов на базовых моделях (OpenAI, Anthropic, Gemini) и паттернов интеграции LLM (RAG, агенты и т. п.).
- Подтверждённый опыт работы как с традиционной поисковой/retrieval-инфраструктурой (например, Elasticsearch, OpenSearch), так и с современными векторными базами данных (например, Pinecone, Weaviate, FAISS, Milvus).
- 3+ года опыта с MLOps, пайплайнами данных и строгими системами оценки (офлайн-метрики NDCG/MAP, онлайн A/B-тестирование), а также продемонстрированная способность определять техническую стратегию и направлять развитие более широкой AI/ML-инфраструктуры.
Предпочтительные требования
- Опыт проектирования безопасных и соответствующих требованиям AI-решений в регулируемых средах (HIPAA, GDPR и т. п.).
- Знакомство с human-in-the-loop системами и фреймворками клинической поддержки принятия решений.
- Опыт проектирования оценочных пайплайнов для человеческого соответствия, фактической точности или интерпретируемости моделей.
- Вклад в open-source AI-фреймворки или прикладные исследования в NLP, healthcare AI или GenAI safety.
- Опыт участия в росте команды на ранней стадии (0→1).
