Technical Product Manager, Data Science

Vaga não está no LinkedIn

🕒 Setembro 21

🏄 California – Remoto

🏄 California – Remote

💵 $115.000 - $130.000 / ano

⏰ Tempo Integral

🟡 Pleno

🟠 Sênior

⚒️ Gerente de Produto Técnico (TPM)

🦅 Patrocina Visto H1B

Esta empresa já patrocinou vistos H1B no passado.

👻 Score fantasma 0%

O que significa: quão provável esta vaga está aberta sem contratação ativa.Como ler: 60% ou mais significa que achamos que é uma vaga fantasma. Pontuações mais baixas preocupam menos.Como pontuamos: tempo em aberto, republicações, vagas abertas vs tamanho do time, rapidez para fechar vagas, e se o salário está divulgado.Observação: é uma estimativa de dados públicos, não um julgamento da empresa. Vagas reais podem ter pontuação alta, então use como uma dica, não como um fato.

Candidatar-se

Encontrar Vagas Remotas Similares

Configurar Alerta de Email para Novas Vagas

📊 Verifique sua pontuação de currículo para esta vaga

Melhore suas chances de conseguir uma entrevista verificando sua pontuação de currículo antes de se candidatar.

Enviar Currículo

CENTRL Inc

SiteLinkedInTodas as Vagas

51 - 200 funcionários

💸 Finanças

🤖 Inteligência Artificial

📋 Conformidade

💰 Series B em 2016-11

Finance • Artificial Intelligence • Compliance

A CENTRL Inc. é uma empresa que se especializa em fornecer plataformas avançadas impulsionadas por IA para automatizar processos de due diligence e gestão de riscos para a indústria de serviços financeiros. Suas soluções incluem DD360 para gestão de investimentos, BNM360 para gestão de rede bancária e Vendor360 para gestão de riscos de fornecedores. As plataformas oferecem fluxos de trabalho automatizados, gestão centralizada de dados, análises avançadas e portais fáceis de usar para diversos usuários, como investidores, gestores de fundos e fornecedores terceiros. A CENTRL Inc. tem o objetivo de aumentar a eficiência e a precisão na gestão de due diligence, riscos de fornecedores e compliance por meio de sua suíte de produtos, utilizando tecnologias de IA e machine learning para fornecer insights acionáveis e simplificar processos complexos.

Descrição

• Own the accuracy, reliability, and cost-efficiency of the AI behind CentrlX • Build and own the evaluation foundation, including golden datasets, grading rubrics, LLM-as-judge pipelines calibrated against human labels, and regression suites • Define measurable quality standards for document digitization, extraction, retrieval, groundedness, summaries, responses, evaluations, and multi-step agent runs • Evaluate agent behavior, including tool selection, retrieval quality, step sequencing, and finished deliverable quality • Convert client failures into permanent evaluation cases • Benchmark models across providers on accuracy, latency, and cost • Own model migrations and determine model deployment by workflow • Track AI spend and optimize cost through routing, model tiering, caching, and context strategy • Define logging and tracing requirements for prompts, retrieved context, outputs, tool calls, token counts, and latency • Build in-app feedback capture with Product and Design • Build, label, curate, and maintain evaluation datasets with holdouts and rotation • Serve as the point of contact for AI quality escalations; triage, reproduce, identify root causes, and close the loop • Write user stories and acceptance criteria and implement prompt, configuration, and model changes • Publish regular quality and cost readouts • Work with domain practitioners to encode industry judgment into evaluation rubrics

🎯 Requisitos

• Must have work authorization in the USA • 3+ years across product management, data science, or applied AI, including at least 2 years working on LLM-based products in production • Hands-on Python and SQL • Comfortable in a notebook pulling data, running batch inference, and computing metrics • Demonstrated experience building evaluation datasets and harnesses for LLM systems: golden sets, rubric design, LLM-as-judge with human calibration, and regression testing against prompt and model changes • Working fluency with at least one eval or LLM observability platform: Braintrust, LangSmith, Langfuse, Arize Phoenix, W&B Weave, Inspect, Promptfoo, or a comparable in-house harness • Practical understanding of RAG systems: retrieval quality, groundedness and faithfulness, hallucination detection, and chunking and context strategy • Statistical literacy: ability to size a comparison, judge significance, and identify when a difference is not real • Ability to write clear user stories and acceptance criteria and work inside an agile engineering process • Strong written communication • Preferred: experience with document AI, agentic systems, financial services or investment management, inference cost reduction, in-product feedback mechanisms, agent frameworks and MCP • Degree in a quantitative or technical field is preferred