Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
TTools for Humanity
Мюнхен, Германия4 месяца назад
Грейд
Senior
Формат работы
Офис
Уровень английского
B2, выше среднего
Письмо на почту или сообщение рекрутеру в Telegram
Tools for Humanity (TFH) разрабатывает и создает технологии, лежащие в основе World. World строит настоящую человеческую сеть, призванную ускорить развитие людей в эпоху искусственного интеллекта. Поскольку боты и автономные агенты изменяют интернет, людям, учреждениям и приложениям нужен надежный способ подтвердить, кто является реальным человеком, сохраняя при этом конфиденциальность. Технологические стеки TFH и World делают это возможным: Orb проверяет реальных, уникальных людей, World ID доказывает это конфиденциально, а World App предоставляет эти возможности и многое другое в руки людей. Вместе они добавляют человеческий слой к интернету, управляемому ИИ.
World уже работает в глобальном масштабе. Более 17 миллионов человек из 160 стран прошли верификацию с помощью World ID, и каждую неделю происходят новые верификации Orb. World App уже является одним из самых используемых кошельков в мире. Разработчики интегрируют World ID для создания более безопасных онлайн-сервисов и пространств, где реальные люди могут участвовать, зарабатывать и получать признание способами, которые ИИ просто не может воспроизвести.
Основанная в 2019 году, TFH насчитывает более 400 сотрудников в области аппаратного обеспечения, программного обеспечения, ИИ, криптографии, мобильной разработки и глобальных операций. Наши команды пришли из OpenAI, Tesla, SpaceX, Apple, Google, Stripe, Meta, Coinbase, Palantir и MIT Media Lab. Нас поддерживают ведущие инвесторы, включая a16z, Khosla Ventures, Bain Capital Crypto, Blockchain Capital, Variant, Tiger Global и Coinbase Ventures, а также известные операторы и основатели в области финтеха и ИИ.
TFH и World были представлены на обложке журнала TIME, отмечены в списке Fast Company’s Next 5 in Fintech и подробно рассмотрены в Bloomberg. The New York Times, Bankless и TechCrunch отметили наш коллективный прогресс в области идентификации, криптографии, ИИ и развертывания аппаратного обеспечения в глобальном масштабе. Наше руководство также входит в список Time AI 100. Узнайте больше о последних запусках продуктов с нашего мероприятия Liftoff.
Команда AI & Biometrics в Tools for Humanity отвечает за системы машинного обучения, лежащие в основе World Network. Наши системы распознавания радужной оболочки глаза и лиц, наш конвейер защиты от спуфинга и модели, работающие на Orb и телефонах, — вот что позволяет Proof of Personhood действительно работать в масштабе.
В команде Face мы разрабатываем системы для верификации лиц, обнаружения уникальности и дубликатов, обнаружения атак презентации и вспомогательных возможностей, таких как обнаружение лиц, оценка качества изображения, обнаружение окклюзии, оценка позы и других, которые позволяют этим системам надежно работать в реальных условиях.
Наша работа охватывает полный жизненный цикл машинного обучения: определение требований к сбору и маркировке данных, курирование наборов данных, проведение прикладных исследований в области компьютерного зрения, обучение и оценка моделей, антиадверсарное тестирование, поддержка развертывания, исследование поведения в производственной среде и мониторинг производительности после выпуска.
Проблемы, над которыми мы работаем, основаны на реальных условиях. Наши системы должны справляться с изменениями в камерах, освещении, позе, качестве изображения, окклюзии, поведении пользователя и методах атак. Они также должны работать в рамках строгих ограничений по задержке и памяти, а также взаимодействовать с системами, сохраняющими конфиденциальность (Anonymized Multi-Party Computation), которые сравнивают пользователей с растущим набором идентификаторов. В нашем масштабе небольшие регрессии могут иметь значительное влияние, поэтому оценка, выбор рабочей точки и мониторинг производства являются центральными в нашей работе.
Мы прагматичны в своих методах. Мы используем глубокое обучение, когда оно приносит явную пользу, классическое компьютерное зрение и обработку изображений, когда они более эффективны или надежны, и гибридные подходы, когда они дают наилучшую систему.
Команда хорошо поддерживается. У нас есть выделенная подкоманда Mobile, которая занимается развертыванием на мобильных устройствах, подкоманды ML Infrastructure и MLOps, которые отвечают за конвейеры данных, кластеры обучения, парки GPU и большую часть базовых инструментов, а также подкоманды Face и Iris, посвященные каждой модальности. Инженеры Face несут ответственность за постановку задачи, требования к данным, решения по качеству данных, поведение моделей, методологию оценки и анализ сбоев для успеха своих проектов. Мы также тесно сотрудничаем с командами Orb software, Mobile, Proof of Personhood и Product, чтобы воплотить идеи в производство.
Отвечать за проекты машинного обучения в области распознавания лиц от первоначального определения проблемы до подготовки данных, экспериментов, оценки, валидации в производственной среде и мониторинга, сотрудничая с различными командами
Улучшать наши основные модели биометрической идентификации и защиты от спуфинга, обучая и итерируя архитектуры глубокого обучения, функции потерь и конвейеры данных, причем размер модели, задержка и бюджеты памяти являются первостепенными проектными ограничениями с первого дня
Использовать классическое компьютерное зрение и обработку изображений, когда они являются правильным решением, будь то полный метод, этап предварительной обработки, легковесный компонент на устройстве или диагностический инструмент. Мы не являемся командой, ориентированной исключительно на глубокое обучение, и вычислительные мощности на устройствах поощряют дисциплину использования более легких решений, когда они подходят
Руководить независимыми прикладными инициативами в области ML от начала до конца: формулировать письменную гипотезу, разрабатывать абляционные исследования для изоляции переменных, проводить эксперименты, честно интерпретировать результаты и знать, когда нужно выпустить продукт, а когда не стоит гнаться за последним процентом
Работать напрямую с изображениями и наборами данных лиц: улучшать сбор и маркировку, анализировать сложные образцы, выявлять режимы сбоев и использовать эти выводы для внесения изменений в модели и методы оценки
Создавать конвейеры оценки, которые выявляют регрессии моделей до того, как они попадут в производство, мониторинг, который может выявить дрифт данных, изменения в распределении оценок, новые паттерны атак, регрессии в конкретных когортах или неожиданное поведение моделей, а также улучшать внутренние инструменты для анализа данных, обучения моделей, оценки, визуализации, красных команд и мониторинга
Читать и оценивать соответствующие исследования в области компьютерного зрения и биометрии, адаптируя полезные идеи к нашим системам, не рассматривая воспроизведение статьи как самоцель
Писать проектные документы, отчеты об экспериментах, послепусковой анализ и технические предложения, которые остаются полезными после завершения проекта, и которые другие могут понять и использовать для своей работы
Помогать формировать технические стандарты в команде AI & Biometrics: методологию оценки, дисциплину экспериментов, версионирование моделей, мониторинг и любые инженерные и научные стандарты команды
Значительный практический опыт обучения, оценки и внедрения систем глубокого обучения для компьютерного зрения с практическим пониманием ограничений по задержке и памяти
Опыт преобразования неоднозначной проблемы машинного обучения в структурированный технический план
Глубокие практические знания обучения моделей, включая конвейеры данных, аугментации, выбор архитектуры, функции потерь, оптимизацию, настройку гиперпараметров и анализ сбоев
Прочные основы в классическом компьютерном зрении и обработке изображений, с опытом использования таких инструментов, как OpenCV, NumPy или эквивалентных библиотек. Свободное владение Python и современным фреймворком глубокого обучения, таким как PyTorch
Опыт разработки оценок, поддерживающих реальные производственные решения, включая выбор метрик, рабочие пороги, калибровку, построение наборов данных, сегментирование, предотвращение утечек и регрессионный анализ
Способность писать поддерживаемый код исследовательского и производственного качества
Прагматичный, прикладной исследовательский склад ума: строгий в экспериментах, но способный определить, когда результат готов к внедрению, а когда дальнейшая оптимизация имеет убывающую ценность
Сильные навыки письменного общения. Вы четко определяете проблему, требования, предположения, эксперименты, критерии успеха и выводы
Совместный стиль работы: вы работаете самостоятельно, не изолируясь, активно делитесь контекстом и знаниями с другими, конструктивно взаимодействуя с ограничениями смежных команд, а не рассматривая их как препятствия. Мы не ищем одинокого волка, каким бы блестящим он ни был
Стиль работы «за рулем»: вы берете на себя полную ответственность за проблемы, продвигаете свою работу вперед без ожидания указаний и поддерживаете свои решения после их внедрения в производство
Дополнительные пожелания:
About the Company:
Tools for Humanity (TFH) designs and builds technology behind World. World is building a real human network designed to accelerate people in the age of AI. As bots and autonomous agents reshape the internet, people, institutions, and applications need a trusted way to confirm who is a real human while preserving privacy. The TFH and World tech stacks make this possible: the Orb verifies real, unique people, World ID proves it privately, and World App puts these capabilities, and more, in people’s hands. Together, they add a human layer to an AI-driven internet.
World is already running at a global scale. More than 17 million people across 160 countries have verified with World ID, and more new Orb verifications take place each week. World App is already among the most used wallets globally. Developers are integrating World ID to build safer online experiences and create spaces where real people can participate, earn, and be recognized in ways AI simply can’t replicate.
Founded in 2019, TFH has more than 400 people across hardware, software, AI, cryptography, mobile engineering, and global operations. Our teams come from OpenAI, Tesla, SpaceX, Apple, Google, Stripe, Meta, Coinbase, Palantir and MIT Media Lab. We’re backed by leading investors, including a16z, Khosla Ventures, Bain Capital Crypto, Blockchain Capital, Variant, Tiger Global, and Coinbase Ventures, as well as prominent operators and founders across fintech and AI.
TFH and World have been featured on the cover of TIME Magazine, highlighted in Fast Company’s Next 5 in Fintech, and explored in a Bloomberg deep dive. The New York Times, Bankless and TechCrunch have all recognized our collective progress in identity, cryptography, AI, and global-scale hardware deployment. Our leadership is also named to the Time AI 100. Learn more about the newest product launches from our Liftoff event.
About the team
The AI & Biometrics team at Tools for Humanity owns the machine learning systems behind the World Network. Our iris and face recognition systems, our anti-spoofing pipeline, and the models running on the Orb and on phones are what make Proof of Personhood actually work at scale.
Within the Face team, we develop systems for face verification, uniqueness and duplicate detection, presentation attack detection, and supporting capabilities such as face detection, image quality assessment, occlusion detection, pose estimation, and others that allow these systems to operate reliably in real-world conditions.
Our work spans the full machine learning lifecycle: defining data-collection and labeling requirements, curating datasets, conducting applied computer-vision research, training and evaluating models, adversarial testing, supporting deployment, investigating production behavior, and monitoring performance after release.
The problems we work on are grounded in real-world conditions. Our systems must handle variation in cameras, lighting, pose, image quality, occlusion, user behavior, and attack methods. They must also operate within strict latency and memory budgets and interact with privacy-preserving systems (Anonymized Multi-Party Computation) that compare users against a growing identity set. At our scale, small regressions can have a meaningful impact, so evaluation, operating-point selection, and production monitoring are central to how we work.
We are pragmatic about our methods. We use deep learning where it provides clear value, classical computer vision and image processing where they are more efficient or reliable, and hybrid approaches when they produce the best system.
The team is well supported. We have a dedicated Mobile subteam that owns deployment to mobile devices, ML Infrastructure and MLOps subteams that own the data pipelines, training clusters, GPU fleet, and much of the underlying tooling, and Face and Iris subteams dedicated to each modality. Face engineers own problem formulation, data requirements, data-quality decisions, model behavior, evaluation methodology, and investigation of model failures for their projects to succeed. We also work closely with the Orb software, Mobile, Proof of Personhood, and Product teams to take ideas to production.
In this role, you will:
Own face machine learning projects from initial problem definition through data preparation, experimentation, evaluation, production validation, and monitoring, while partnering with different teams.
Improve our core biometric identification and anti-spoofing models, training and iterating on deep learning architectures, losses, and data pipelines, with model size, latency, and memory budgets as first-class design constraints from day one.
Use classical computer vision and image processing when they are the right solution, whether as a complete method, a preprocessing stage, a lightweight on-device component, or a diagnostic tool. We are not a deep learning only team, and on-device compute rewards the discipline of using the lighter solution when it fits.
Lead independent applied ML initiatives end-to-end: form a written hypothesis, design ablations that isolate variables, run experiments, read results honestly, and know when to ship and when to stop chasing the last percentage point.
Work directly with face images and datasets: improve collection and labels, inspect difficult samples, identify failure modes, and use those findings to drive model and evaluation changes.
Build evaluation pipelines that catch model regressions before they reach production, monitoring that can reveal data drift, score-distribution changes, new attack patterns, cohort-specific regressions, or unexpected model behavior, and improve internal tools for data analysis, model training, evaluation, visualization, red teaming, and monitoring.
Read and evaluate relevant computer vision and biometrics research, adapting useful ideas to our systems without treating paper reproduction as the objective.
Write design documents, experiment reports, post-launch analysis and technical proposals that remain useful after the project is complete, and others can understand and build on your work.
Help shape technical standards across the AI & Biometrics team: evaluation methodology, experimentation discipline, model versioning, monitoring, and across any engineering and scientific standards of the team.
You may be a strong fit if you have:
Significant hands-on experience training, evaluating, and shipping deep learning systems for computer vision, with practical understanding of latency and memory constraints.
Experience taking an ambiguous machine learning problem and turning it into a structured technical plan.
Strong practical knowledge of model training, including data pipelines, augmentations, architecture selection, loss functions, optimization, hyperparameter tuning, and failure analysis.
Strong foundations in classical computer vision and image processing, with experience including tools such as OpenCV, NumPy, or equivalent libraries. Fluency in Python and a modern deep-learning framework such as PyTorch.
Experience designing evaluations that support real production decisions, including metric selection, operating thresholds, calibration, dataset construction, slicing, leakage prevention, and regression analysis.
The ability to write maintainable research and production-quality code.
A pragmatic, applied-research mindset: rigorous about experiments, but able to determine when a result is ready to ship and when further optimization has diminishing value.
Strong written communication. You define the problem, requirements, assumptions, experiments, success criteria, and conclusions clearly.
A collaborative operating style: you work independently without becoming isolated, and you actively share context and knowledge with others, engaging constructively with constraints from neighboring teams rather than treating them as obstacles. We are not looking for a lone wolf, however brilliant.
An “in-the-driver's-seat” operating style: you take ownership of problems end-to-end, drive your work forward without waiting for direction, and stand behind your decisions once they are in production.
Additional Nice-to-haves:
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 133 000 до 172 000
