Старший специалист по анализу данных
Обзор
Мы разрабатываем высокоточный движок поддержки принятия медицинских решений. Наша система использует возможности рассуждения больших языковых моделей (LLM), основанные на структурированных медицинских графах знаний, чтобы предоставлять клиницистам основанную на доказательствах поддержку принятия решений. Мы ищем специалиста по анализу данных, который сможет преодолеть разрыв между "черным ящиком" ИИ и безопасной, интерпретируемой клинической практикой.
Обязанности
- Инженерия и валидация наборов данных: Разработка надежных конвейеров для обработки электронных медицинских карт (EHR) и медицинской литературы. Внедрение строгих многоэтапных фреймворков валидации (анализ чувствительности/специфичности) для обеспечения клинической безопасности и надежности модели.
- Дообучение LLM: Адаптация больших языковых моделей с использованием SFT, DPO или PEFT (LoRA/QLoRA) для специализированных медицинских областей и сложного клинического диагностического рассуждения.
- Продвинутые RAG и Graph RAG: Создание гибридных систем поиска, которые объединяют векторные базы данных с графами знаний для устранения галлюцинаций и обеспечения фактической обоснованности.
- Объяснимость и интерпретируемость: Разработка методов обеспечения прозрачности выходных данных модели. Движок должен предоставлять пути рассуждения — обосновывая рекомендации, ссылаясь на конкретные медицинские доказательства, клинические протоколы и отношения графа.
Технические требования
- GenAI Stack: Экспертное знание архитектур Transformer и практический опыт дообучения LLM (Llama 3, Mistral и т. д.)
- Graph ML: Практический опыт работы с графами знаний, triple-stores или графовыми базами данных (Neo4j, ArangoDB) и графовыми нейронными сетями (GNN).
- Системы поиска: Уверенное владение LangChain / LlamaIndex и поисковыми движками на основе векторов (Pinecone, Milvus или Weaviate).
- XAI Tools: Практический опыт работы с SHAP, LIME или пользовательскими методами отображения внимания для интерпретируемости модели.
- Валидация и статистика: Сильная база в статистической валидации для высокорисковых сред и работе с несбалансированными медицинскими данными.
Почему стоит присоединиться к нашей команде?
- Решение "Почему": Вы будете не просто создавать модель; вы создадите систему, которой клиницисты смогут доверять, потому что они понимают ее логику.
- Передовой стек: Работайте на самом переднем крае ИИ, объединяя LLM со структурированными графами знаний (Graph RAG).
- Значимое социальное влияние: Ваша работа напрямую способствует улучшению результатов лечения пациентов, ускорению выздоровления и значительному снижению диагностических ошибок.
Если вы увлечены расширением границ того, что ИИ может сделать в здравоохранении, мы будем рады услышать от вас.
