
11 - 50 Mitarbeiter
GegrĂźndet 2022
đĽ Gesundheitswesen
đŁ Marketing
đď¸ eCommerce
Healthcare ⢠Marketing ⢠eCommerce
SweatPals ist eine Plattform, die Fitness-Events und Community-Management optimiert, indem sie Tools bereitstellt, mit denen sich Events nahtlos erstellen, verwalten und monetarisieren lassen. Um Zielgruppen zu gewinnen und zu binden, bietet die Plattform unter anderem: ⢠automatisierte Haftungsverzichte (Waivers) ⢠maĂgeschneiderte FragebĂśgen ⢠anpassbare Landing Pages ⢠Mobile Check-in ⢠Marketing Support Mit dynamischen Mitgliedschaftsplänen, Payment Automation und aussagekräftigen Insights zu Mitgliederpräferenzen unterstĂźtzt SweatPals Fitnessbegeisterte und Veranstaltende dabei, ihre Communities aufzubauen und wirkungsvoll zu aktivieren.
đ vor 5 Monaten
đŞđş Europa â Remote
đľ Schätzung: $111.000 - $208.000 / Jahr
â° Vollzeit
đĄ Mittelstufe
đ Senior
đ¤ Machine-Learning-Entwickler
đť Geisterscore 21%
đŁď¸đşđ¸đŹđ§ Englisch erforderlich
Woher diese Stelle stammt
VerĂśffentlicht auf der Karriereseite von SweatPals â, nicht Ăźber eine JobbĂśrse
Von Remote Rocketship zum ersten Mal gesehen vor 5 Monaten
Noch offen auf der Website von SweatPals. GeprĂźft vor 9 Stunden.

11 - 50 Mitarbeiter
GegrĂźndet 2022
đĽ Gesundheitswesen
đŁ Marketing
đď¸ eCommerce
Healthcare ⢠Marketing ⢠eCommerce
SweatPals ist eine Plattform, die Fitness-Events und Community-Management optimiert, indem sie Tools bereitstellt, mit denen sich Events nahtlos erstellen, verwalten und monetarisieren lassen. Um Zielgruppen zu gewinnen und zu binden, bietet die Plattform unter anderem: ⢠automatisierte Haftungsverzichte (Waivers) ⢠maĂgeschneiderte FragebĂśgen ⢠anpassbare Landing Pages ⢠Mobile Check-in ⢠Marketing Support Mit dynamischen Mitgliedschaftsplänen, Payment Automation und aussagekräftigen Insights zu Mitgliederpräferenzen unterstĂźtzt SweatPals Fitnessbegeisterte und Veranstaltende dabei, ihre Communities aufzubauen und wirkungsvoll zu aktivieren.
⢠Unscharfe Produktprobleme in ML-Probleme ĂźberfĂźhren und die passende Vorgehensweise wählen: Ranking, Retrieval, Klassifikation, Sequenzmodelle, LLM-Agenten oder klassische Statistik ⢠End-to-end abwickeln: Datenexploration, Offline-Evaluation, Prototyping, Online-Experiment, Iteration ⢠Dann an die Spitze gehen, wenn es zählt, und pragmatisch bleiben, wenn es nicht nĂśtig ist ⢠Verantwortung fĂźr Offline-Metriken (NDCG, recall@k, AUC, Kalibrierung) Ăźbernehmen und diese mit Online-Kennzahlen (Buchungsanstieg, Retention, GMV) verknĂźpfen ⢠Modelle zusammen mit unserem Engineering-Team in Produktion bringen. Unser ML-Stack: FastAPI, PostgreSQL, BigQuery, AWS App Runner; Retrieval Ăźber FAISS und sentence-transformers; sowie verwaltete LLM-APIs (Claude, Gemini) ⢠Evaluations-Frameworks und Monitoring aufbauen, um Modell-Drift zu erkennen ⢠LLM-basierte Features entwickeln fĂźr HostCopilot (Drip-Kampagnen, Retention-Nudges, Preis- und Inhaltsvorschläge) und Pal-facing-Oberflächen (AI Concierge, semantische Suche, Empfehlungen) ⢠Mit dem Produktteam zusammenarbeiten, um Chancen zu bewerten und Erkenntnisse in Roadmap-Entscheidungen zu Ăźbersetzen ⢠MaĂstäbe im Team fĂźr ML-Disziplin setzen: Offline-Evaluation, Versuchsdesign und Dokumentationen
⢠Mindestens 5 Jahre praktische ML-Erfahrung mit dem Ausbringen von Modellen in Produktion. Vorteilhaft: Erfahrung in Marktplätzen, Search oder Recommendation-Systemen ⢠Nachweis, ein Problem von einer vagen Produktanfrage bis zu einem ausgelieferten Feature mit nachweislicher Metrikverbesserung gefßhrt zu haben ⢠Sicherer Umgang mit dem gesamten Lebenszyklus: Problemdefinition, Daten, Modellierung, Evaluation, Deployment, Monitoring ⢠Fundierte Kenntnisse in Python und SQL. Sie schreiben Produktionscode, nicht nur Notebooks ⢠Solide Grundlagen in mindestens einem ML-Bereich: Ranking- und Empfehlungssysteme, NLP und Embeddings, klassische ML-Methoden, LLMs und Agenten oder Kausalinferenz ⢠Vertrautheit mit modernen LLM-Tools: Prompting, RAG, Evaluation, Tool-Nutzung, strukturierte Outputs ⢠Praktische Statistik: Versuchsdesign, Umgang mit Confounding, Erkennen, wenn ein A/B-Test fehlerhaft ist ⢠Vertrautheit mit unserem Stack von Vorteil: FastAPI, PostgreSQL, BigQuery, FAISS, sentence-transformers, AWS, Amplitude ⢠In der Regel ein fortgeschrittener Abschluss in ML, Informatik, Statistik oder einem verwandten Fach; PhD oder Forschungshintergrund ist ein starkes Plus
⢠Verantwortung: Sie gestalten das nächste Kapitel von ML bei Sweatpals â Sie pflegen nicht nur die Modelle anderer ⢠KI-native Kultur: Wir nutzen täglich Claude Code, liefern schnell und betrachten KI-Tools als Grundvoraussetzung ⢠Flexibilität: Remote-first, asynchron-freundlich, EU-Zeitzone ⢠VergĂźtung: Wettbewerbsfähiges Gehalt plus Early-Stage-Equity
Jetzt BewerbenVerbessern Sie Ihre Chancen auf ein Vorstellungsgespräch, indem Sie Ihre Lebenslauf-Bewertung vor der Bewerbung ßberprßfen.