AL/ML Engineer (Hybrid Remote - TS/SCI) with Security Clearance

Sobre la vacante

Estamos buscando Ingenieros de AI/ML altamente calificados y motivados para unirse a un dinámico Equipo de Ingeniería de IA Federal (GenAI/Sector Público). En este rol, ayudarás a entregar soluciones de misión de alto impacto, impulsadas por IA, para clientes gubernamentales.

Trabajarás con plataformas escalables y de alto rendimiento diseñadas para manejar miles de millones de puntos de datos, contribuyendo a sistemas de backend, arquitecturas distribuidas e infraestructura de aprendizaje automático en entornos seguros. Esta es una posición híbrida remota (30% - 50%) con ubicaciones en Washington, DC; San Francisco, CA; St. Louis, MO; y Honolulu, Hawaii.

Responsabilidades

Diseñar e implementar sistemas backend escalables para clientes federales, aprovechando la infraestructura de IA moderna y nativa de la nube. Colaborar con equipos multifuncionales para definir y ejecutar la visión de soluciones backend, asegurando que satisfagan las necesidades únicas de las agencias gubernamentales que operan en entornos seguros. Desarrollar sistemas distribuidos, aplicaciones intensivas en datos e infraestructura de aprendizaje automático para permitir un impacto real para los propietarios de misiones. Construir sistemas backend robustos y confiables que puedan servir como productos independientes, capacitando a los clientes para acelerar sus propias ambiciones de IA. Participar activamente en los compromisos con los clientes, trabajando en estrecha colaboración con las partes interesadas para comprender los requisitos y ofrecer soluciones innovadoras. Contribuir a la hoja de ruta de la plataforma y la estrategia de producto para el negocio federal, desempeñando un papel clave en la configuración de la dirección futura de nuestras ofertas.

Cualificaciones

Debes poseer una autorización de seguridad activa TS/SCI (puede ser TS/SCI FSP). Fuertes habilidades de programación en Python. Familiaridad con plataformas en la nube (ej., AWS, Azure, GCP). Comprensión de la contenerización (ej., Docker) y la orquestación de contenedores (ej., Kubernetes). Ingeniería de datos: Conocimiento de procesos ETL (Extract, Transform, Load) y experiencia en la construcción de pipelines de datos para integrar y procesar diversas fuentes de datos. Comprensión de los principios de modelado de datos, almacenamiento de datos y gobernanza de datos. Infraestructura de aprendizaje automático: Familiaridad con frameworks de aprendizaje automático (ej., TensorFlow, PyTorch) y experiencia en el diseño e implementación de infraestructura de aprendizaje automático. La comprensión de las estrategias de servicio, monitoreo y despliegue de modelos es beneficiosa.