• ML/analitik kullanım durumlarında iş kapsamı: Müşterilerle ihtiyaçlarını anlamak ve bu ihtiyaçları makine öğrenimi, analitik, veri boru hatları ve görselleştirme gibi yöntemlerle ele almak için niceliksel çözümler tasarlamak.
• Veri setlerinin edinilmesi, temizlenmesi ve bütünlüğünün değerlendirilmesi: Bu, işin %25'ini oluşturan zorlayıcı ve tatmin edici bir bölümdür. Makine öğrenimi iş akışımızın birçok bileşeninde Google Cloud Platform kullanıyoruz.
• Veriyi ve kaynaklarını keşfetmek: Verideki kalıpları ve sinyalleri aramak, önemli alanları belirlemek, içgörüler edinmek ve makine öğreniminin problemi etkileyip etkilemediğini değerlendirerek çözümler geliştirmek.
• Makine öğrenimi modellerinin geliştirilmesi ve değerlendirilmesi: özellik mühendisliği, farklı model türleri ile deneyler yapmak, performansı ölçmek için doğru metrikler seçmek, model performansı ve sonuçlarının analizi (örn. özellik önemliliği, model stabilitesi, farklı gruplar arası performans) vb.
• Model tasarımını ve kararları anlamak: Modellerin nasıl çalıştığını açıklamak ve bir modelin belirli bir tahmine nasıl ulaştığını, doğru model ailesini seçmeyi ve daha hızlı performans için doğruluk trade-offlarını haklı çıkarmayı gerektirir.
• Uygulama stratejisi ve uygulama: müşterinin işinde modeli nasıl kullanabileceği konusunda öneriler sunmak, genellikle hem müşteri hem de diğer Thinking Machines ekip arkadaşları (örn. Stratejistler, İş Zekası Analistleri) ile iş birliği gerektirir.
• Araştırma ve teknoloji alanında güncel kalmak: yayımlanan ML makalelerini okumak ve bu modellerin yeni alanlarda geliştirilmiş versiyonlarını uygulamak.
  
  

• Makine öğrenimi modellerinde rahatlık - Klasik makine öğrenimi modellerini (örn. karar ağaçları, ansamble modeller, SVM'ler vb.) anladığını gösteren bir bilginiz var. Bu rolde daha kıdemli pozisyonları hedefleyen başvuru sahipleri, en az bir spesifik alanda ileri düzey bilgiye sahip olmalıdır. İşte bazı kabaca kategoriler:
• Zaman Serisi Tahmin Modelleri (örn. zaman serisi tahmin, LSTM'ler vb.)
• Bilgisayarla Görme (örn. CNN'ler, SSD'ler vb.)
• Coğrafi Modelleme (örn. GeoPandas, GIS, Clay, UNet vb.)
• LaGenAI veya Dil Modelleri (örn. GPT, Gemini, Claude, prompt mühendisliği, RAG, kelime gömme, metin temsilleri vb.)
• Kod konusunda rahatlık - Yerel makinenizi orta büyüklükteki veri setlerini kazımak, yüklemek ve analiz etmek için kullanabilirsiniz.
• Açık iletişim - Müşterilerin verilerinden en iyi şekilde yararlanmalarına yardımcı oluyoruz, bu yüzden ihtiyaçlarını etkin bir şekilde tanımlıyor, analizleri doğru yapıyor ve bulgularımızı anlayış ve eylem sağlayacak şekilde iletiyoruz. En azından, mantıklı bir şekilde noktalarınızı dile getirebilme yeteneğine sahip olmanız gerekir ve bu beceriyi bizimle büyürken öğrenmeye istekli olmalısınız.
• Uygulama bilincine sahip bir yaklaşım - Müşterilerin işine potansiyel etkisi olan çözümler tasarlayıp geliştirebilmelisiniz ve bunları gerçek dünya uygulamalarında nasıl kullanabilecekleri konusunda bir vizyona sahip olmalısınız.
• Üretken merak - Doğru soruları sormak konusunda çok hassassınız. Şaşırtıcı bir korelasyon mu buldunuz? Ham verilerde araştırma yaparak bunu doğrulayın.
• Hem öğretme hem de öğrenme zevki - Veri biliminin bugün içinde bulunulabilecek muazzam bir alan olduğunu düşünüyoruz. Öğrenilecek çok sayıda yeni malzeme var, hepimiz bunu öğrenmek istiyoruz ve herkesin gelişimine katkıda bulunmak isteyen birini arıyoruz. İş görüşmemizin bir parçası olarak, sizden bir makine öğrenimi makalesini okumak ve özetlemenizi isteyeceğiz.
• Güçlü bir girişim duygusu - Her zaman faydalı olacak yollar arıyorsunuz ve hiçbir şey yapmadan durmayı sevmiyorsunuz.
• Sosyal zeka - Diğerleriyle iyi çalışmanız ve çok sayıda ekip çalışması ve bireysel etkileşim içeren bir ortamda başarılı olmanız çok önemlidir.

• En az 2 yıl veri bilimi, analitik veya ilgili diğer alanlarda deneyim
• Eğer alanda iki yıldan az deneyiminiz varsa, Makine Öğrenimi Projeleri portföyü gösterme hazırlığında olun!
• Bilgisayar Bilimleri, Fizik, Matematik, İstatistik veya herhangi bir ilgili alanda Lisans/Yüksek Lisans diploması
• Güçlü temel istatistik becerileri ve doğrusal cebir becerileri
• Güçlü nicel analiz becerileri
• Python veya R gibi istatistiksel programlama dillerine aşinalık
• Ekstra Puanlar (Aşağıdaki tüm niteliklere sahip olmanız beklenmiyor ancak rekabetçi adayların en az iki tane var):
• Bilimsel Python araç setine ve Derin Öğrenme Çerçevelerine (yani PyTorch, TensorFlow, Keras vb.) aşinalık
• Hakemli dergilerde ve konferanslarda yayınlar
• Bulut platformlarıyla (AWS, GCP veya Azure) 10GB'dan büyük veri setlerinde makine öğrenimi modelleri eğitimi için rahatlık
• Çıkarımlarınızı paydaşlara iletmek için Tableau, Power BI, Looker, Matplotlib veya Seaborn gibi araçları kullanarak etkileyici veri görselleştirmeleri ve panoları oluşturma deneyimi
• Teknoloji dışındaki bir alanlarda alan uzmanlığı. Enerji, finans, sigorta gibi bir konuda bir uzmanın mı? Henüz sahip olmadığımız bir şey getirin!
• Açık kaynak çerçevelerinde akıcılık ve iyi yazılım mühendisliği uygulamaları
  

• Rekabetçi maaş - tazminat miktarı işin zorluğu, ilgili deneyim, uygunluk ve beceri faktörleri ile olumlu bir ilişkiye sahiptir.
• Hibrit Kurulum - Hibrit-uzaktan, çalışanların müşteri etkileşimleri ve işbirliği, sosyal etkinlikler ve stratejik planlama için içeride ortalama iki gün gelmesini gerektirir.
• Bireysel mesleki gelişim bütçesi - yıllık konferanslar, eğitim kursları, kitaplar ve yazılım için bir bütçe var, böylece becerilerinizi keskinleştirip rolünüzde büyümenize yardımcı olacak yeni beceriler edinebilirsiniz.
• Tam sağlık faydaları - işe alım aşamasında cömert sağlık sigortası paketi, bakmakla yükümlü olduğunuz kişilerle kapsama seçenekleri.
• Mesleki becerileri artırma ve kariyer ve kişisel hedefleri, iş ilerlemesini ve her türlü soru ve endişeyi tartışmak için liderlik ekibi ile her yıl performans değerlendirmeleri yapmak.

Lütfen iş tanımına bakınız.