Machine Learning Engineer, Safety and Customer Care AI

О позиции

Команда Безопасности и обслуживания клиентов (Safety and Customer Care — SCC) управляет более чем 1.7 миллионами взаимодействий в месяц как между людьми, так и с участием ИИ. Вы будете работать над созданием агентов искусственного интеллекта, которые помогают пассажирам и водителям Lyft чувствовать себя в безопасности. Агенты будут обрабатывать сложные случаи управления безопасностью, разбираться в высоком stakes ситуациях и доводить их до разрешения.

Будет плюсом

• Опыт применения ML/AI к клиентской поддержке или workflow trust & safety
• Фитнес: агент-ассистент, роутинг, рекомендации по разрешению, детекция злоупотреблений/безопасности
• PhD в Computer Science, Machine Learning, Statistics или смежной области
• Публикации в топовых конференциях (NeurIPS, ICML, ICLR, ACL, CVPR)

Условия

• Расширенное медицинское и стоматологическое страхование, страхование жизни и нетрудоспособности
• Преимущества для ментального здоровья
• Преимущества для семейного развития, childcare и питомцев
• Доступ к Health Care Savings Account
• План RRSP с соответствием компании для будущих сбережений
• Гибкая политика оплачиваемого отпуска (flexible paid time off)
• Льготы на транспортные расходы и кредиты на поездки Lyft
• 18 недель оплачиваемого отпуска для новых родителей
• Гибридный график работы (минимум 3 дня в офисе, включая понедельники, среды и четверги)

Навыки

• Python
• PyTorch
• LLM Fine-Tuning
• SFT
• LoRA
• RLHF
• RLAIF
• RLVR
• LangGraph
• Agentic AI
• Machine Learning Evaluation
• Classification
• Gradient Boosting
• LLM-as-a-Judge
• Model Deployment
• Generative AI

Могут спросить на собеседовании

1. Расскажите о вашем опыте post-training LLM: какие методы вы использовали (SFT, LoRA, RLHF) и с какими результатами?
2. Как вы строите систему оценки качества для agentic AI в safety-critical applications? Какие метрики вы используете?
3. Опишите архитектуру AI-агента, который вы разработали. Как решали проблемы состояния, инструментов и контроля потока?
4. Как вы обеспечиваете безопасность выпуска моделей в production, особенно для customer-facing систем?
5. Когда вы предпочитаете использовать традиционные ML методы вместо нейросетей или LLM?