Senior Software Engineer, Scientific Computing

🕒 il y a 3 mois

🇺🇸 États-Unis – Télétravail

💵 $170 000 - $215 000 / an

⏰ Temps Plein

🟠 Senior

🧑‍💻 Développeur Full-Stack

👻 Score fantôme 19%

Ce que ça veut dire : la probabilité que cette offre reste ouverte sans recrutement actif.Comment le lire : 60 % ou plus, on pense que c'est une offre fantôme. Un score plus bas est moins inquiétant.Comment on la calcule : ancienneté, republications, postes ouverts vs taille de l'équipe, rapidité de clôture, et si le salaire est indiqué.À noter : une estimation à partir de données publiques, pas un jugement sur l'entreprise. De vraies offres peuvent avoir un score élevé, alors prenez-le comme un indice, pas comme un fait.

Postuler Maintenant

Trouver des Emplois à Distance Similaires

Configurer une alerte email pour les nouveaux emplois

📊 Vérifiez votre score de CV pour ce poste

Améliorez vos chances d'obtenir un entretien en vérifiant votre score de CV avant de postuler.

Télécharger le CV

KoBold Metals

Site WebLinkedInTous les Emplois

51 - 200 employés

Fondée en 2019

🤖 Intelligence artificielle

🔬 Science

⚡ Énergie

Artificial Intelligence • Science • Energy

KoBold Metals est une entreprise spécialisée dans l'exploration minérale avancée. En investissant plus de 100 millions de dollars par an dans plus de 60 projets sur cinq continents, KoBold est à la pointe de l'utilisation de l'intelligence artificielle et de nouveaux matériels pour transformer l'exploration minérale en une science reproductible. L'entreprise agrège des données complètes sur la croûte terrestre et utilise des outils d'IA propriétaires, y compris le système Machine Prospector®, pour minimiser les incertitudes dans l'exploration. KoBold Metals s'engage à respecter des pratiques d'exploration éthiques et bénéficie du soutien d'investisseurs de classe mondiale dédiés à la découverte et au développement de nouvelles ressources en métaux pour batteries. Leur approche innovante exploite l'IA pour construire la plus grande collection d'informations géoscientifiques au monde et modéliser les données souterraines de manière statistique.

Description

• Architect, implement, and maintain foundational scientific computing libraries that will be used in KoBold’s mineral exploration analyses. • Build tooling to increase the velocity of our machine learning progress, including enabling rapid prototyping in Jupyter notebooks; build experimentation, evaluation, and simulation frameworks; turning successful R&D into robust, scalable ML pipelines; and organizing models and their outputs for repeatability and discoverability. • In collaboration with data scientists, build models to make statistically valid predictions about the locations of economic concentrations of ore metals within the Earth’s crust. • Apply–and coach team members to use–engineering best practices such as writing robust, testable and composable code • Collaborate with data scientists, geoscientists and engineers to invent the modern scientific computing stack for mineral exploration • Occasional travel to exploration sites around the world to observe the impact of scientific computing on KoBold’s exploration products and design new technologies to further discovery. Travel is approximately twice per year depending on project needs.

🎯 Exigences

• At least 5 years of experience as a software engineer, data scientist or ML engineer, though most great candidates will have closer to 10. • Track record of building production quality data processing solutions or tooling that have delivered business value • Proficiency with foundational concepts of ML, including statistical, traditional and deep-learning approaches • Proficiency in Python, ideally including array-based packages such as xarray and numpy • Deep experience with measured scientific data • Experience in visualizing scientific data for domain experts • Experience in MLops and in the making of robust ML systems • Drive to increase the velocity and effectiveness of our data scientists in both experimental and production workflows • Capacity to dive deep on novel challenging problems in applying ML to mineral exploration, including understanding a complex domain of geology and mineral exploration practices as well as working with limited, disparate and noisy data sources • Collaborative attitude to work with stakeholders with different backgrounds (data scientists, geoscientists, software engineers, operations)