In sintesi
- Mansioni: Progetta e sviluppa sistemi ML per migliorare l'automazione contabile.
- Azienda: Pennylane, un'azienda innovativa nel settore finanziario.
- Benefit: Ambiente di lavoro flessibile, opportunità di crescita e un team internazionale.
- Altre informazioni: Cultura aziendale che valorizza fiducia, proattività e autonomia.
- Perché questo lavoro: Fai la differenza nella vita di milioni di imprenditori in Europa.
- Qualifiche: Esperienza in Python e sistemi di machine learning in produzione.
La retribuzione prevista è compresa tra 90000 - 110000 € per anno.
Stai cercando di avere un impatto sulla vita quotidiana di milioni di imprenditori in Francia (e domani in Europa)? Stai cercando un ambiente di lavoro che valorizzi fiducia, proattività e autonomia? Allora Pennylane è il posto giusto per te!
La nostra visione
Vogliamo diventare il sistema operativo finanziario più amato delle PMI francesi e dei loro commercialisti (e presto anche delle europee). Aiutiamo gli imprenditori a liberarsi di compiti dispendiosi legati alla contabilità e alla finanza, fornendo loro l'accesso alle informazioni finanziarie chiave necessarie per prendere le migliori decisioni per la loro attività.
Perché questa posizione è di fondamentale importanza per raggiungere la nostra missione
Pennylane sta diventando il sistema operativo finanziario delle PMI e dei commercialisti europei. Una quota crescente del lavoro svolto all'interno del nostro prodotto sarà automatizzata o assistita dall'IA. La nostra strategia opera su tre livelli: IA verticalizzata integrata nel prodotto, un'interfaccia agente che rende Pennylane leggibile e azionabile dalle IA, e l'agente orchestratore di Pennylane stesso. Il team Embedded AI possiede il primo livello. Costruiamo i sistemi di machine learning specializzati dietro Copilot e Autopilot: parsing delle fatture, classificazione dei documenti, suggerimenti contabili, abbinamento, scoring, Bookkeeping Autopilot e Revision Autopilot.
Come contribuirai come Machine Learning Engineer — Embedded AI
- Progetterai e realizzerai sistemi ML per la comprensione, estrazione, classificazione, abbinamento, ranking, scoring e raccomandazioni dei documenti.
- Contribuirai direttamente alle nostre esperienze Copilot e Autopilot, inclusi Bookkeeping Autopilot e Revision Autopilot.
- Possiederai l'intero ciclo di vita delle tue soluzioni: definizione del problema, strategia di dati e etichettatura, baseline, addestramento, valutazione, distribuzione, sperimentazione, monitoraggio e manutenzione.
- Trasformerai le correzioni degli utenti e i fallimenti di produzione in migliori dataset, modelli e comportamenti del prodotto.
- Definirai metriche di qualità che riflettono il reale valore per l'utente: precisione e richiamo, copertura dell'automazione, elaborazione diretta, tasso di correzione umana, latenza e costo.
- Collaborerai con esperti di prodotto, ingegneria e contabilità per comprendere i flussi di lavoro, definire cosa significa “corretto” e integrare l'ML in modo naturale nell'esperienza utente.
- Sceglierai l'approccio più semplice e affidabile per ogni problema — logica deterministica, ML classico, deep learning o IA generativa — piuttosto che partire da un modello preferito.
- Aiuterai a migliorare le nostre pratiche di ingegneria ML condivise: componenti riutilizzabili, sperimentazione, osservabilità, qualità dei dati e pipeline di addestramento e inferenza affidabili.
- Resterai aggiornato sulle tecniche emergenti di ML e IA — inclusi modelli multimodali e generativi — e le applicherai quando creano valore misurabile.
Cosa puoi aspettarti dalla tua vita in Pennylane
- Entro un mese: imparerai a conoscere Pennylane, i nostri utenti, i nostri flussi di lavoro contabili e la nostra visione dell'IA durante l'onboarding.
- Entro 3 mesi: possiederai un caso d'uso di Embedded AI end to end, con metriche chiare offline e di produzione.
- Entro 6 mesi: guiderai progetti ML più ampi tra i team e contribuirai a plasmare la roadmap di Embedded AI.
Chi stiamo cercando?
- Avere 5–8 anni di esperienza e essere molto forti in Python.
- Avere esperienza pratica nella costruzione e gestione di sistemi di machine learning su larga scala in produzione.
- Avere una forte esperienza in diverse aree: document AI, NLP, classificazione, ranking, raccomandazione, rilevamento di anomalie, deep learning o IA generativa.
- Avere una miscela equilibrata di competenze tecniche, aziendali e di prodotto, e comunicare bene con ingegneri software, product manager ed esperti di dominio non tecnici.
- Essere fluenti in inglese; il francese non è obbligatorio.
Nice to have:
- Esperienza con contabilità, fintech o altri flussi di lavoro aziendali ad alta fiducia.
- Esperienza con sistemi human-in-the-loop, apprendimento attivo o apprendimento dalle correzioni degli utenti.
- Esperienza nella gestione di sistemi ML su larga scala con vincoli rigorosi di latenza, affidabilità o costo.
- Familiarità con modelli multimodali o generativi per la comprensione dei documenti.
Qual è il processo di reclutamento?
- Un primo colloquio con il nostro Talent Acquisition Manager.
- Un colloquio di studio di caso che copre definizione del problema, dati, modellazione, valutazione, distribuzione e monitoraggio (75 min).
- Un colloquio sui progetti passati per discutere la tua esperienza e le decisioni tecniche (60 min).
- Un colloquio con i nostri leader Tech & Product per discutere la nostra cultura aziendale (30 min).
Senior Machine Learning Engineer - Embedded AI datore di lavoro: Pennylane
Pennylane è un datore di lavoro eccezionale, offrendo un ambiente di lavoro che valorizza la fiducia, la proattività e l'autonomia. Con opportunità di crescita professionale in un contesto internazionale e una cultura aziendale remota-friendly, i dipendenti possono contribuire a trasformare il modo in cui le piccole e medie imprese gestiscono la loro contabilità e finanza. Inoltre, la possibilità di lavorare su progetti innovativi nel campo dell'AI e del machine learning rende questa posizione particolarmente stimolante e gratificante.
Consigli degli esperti StudySmarter🤫
Ecco come pensiamo che potresti ottenere Senior Machine Learning Engineer - Embedded AI
✨Sfrutta i Meetups di Data Science
Partecipare a meetups e conferenze di data science è un must! Questi eventi sono un ottimo modo per connettersi con esperti del settore e altre persone in cerca di lavoro. Non vergognarti di farti avanti e parlare con i relatori: potrebbe aprirti porte inaspettate.
✨Progetti Open Source per Farsi Notare
Contribuire a progetti open source è una fantastica opportunità per mostrare le tue competenze pratiche. Non solo aiuta a costruire il tuo portfolio, ma ti consente anche di lavorare con tecnologie che potrebbero essere ricercate dalla tua futura azienda. Cerca progetti su GitHub legati a data science e mettiti in gioco!
✨Unisciti a Comunità Online
Entrare a far parte di comunità online come Kaggle o forum di data science può essere un grande vantaggio. Non solo puoi partecipare a competizioni e migliorare le tue abilità, ma puoi anche costruire una rete con altri professionisti del settore. Queste connessioni possono rivelarsi preziose quando cerchi un lavoro a tempo pieno.
✨Candidati Direttamente su Pennylane
Non dimenticare di candidarti direttamente sul sito di Pennylane! Spesso le aziende preferiscono ricevere applicazioni tramite il loro portale, quindi assicurati di seguire le istruzioni specifiche. Un’applicazione diretta può darti un vantaggio rispetto a chi usa canali più generali.
Pensiamo che ti servano queste competenze per eccellere come Senior Machine Learning Engineer - Embedded AI
Alcuni consigli per la tua candidatura 🫡
Evidenzia le tue competenze tecniche:Nel campo della data science, è fondamentale mostrare le tue competenze tecniche. Assicurati di includere nel tuo CV le lingue di programmazione che conosci, come Python o R, e i tool che hai utilizzato, come TensorFlow o scikit-learn. Non dimenticare di far vedere i tuoi progetti o le tue analisi precedenti, magari con link a GitHub o portafogli di lavoro!
Scrivi una lettera motivazionale convincente:Per un ruolo full-time in data science, la lettera motivazionale è la tua occasione per far trasparire la tua passione per i dati e la tua voglia di contribuire al lavoro di Pennylane. Spiega perché sei interessato a questo specifico ruolo e come le tue esperienze passate ti rendono il candidato ideale. Non essere timido: condividi le tue ambizioni e la tua visione per il futuro!
Includi risultati quantificabili:Quando parli delle tue esperienze lavorative precedenti, cerca di includere risultati quantificabili che dimostrino il tuo impatto. Ad esempio, puoi dire che hai aumentato l'efficienza di un'analisi del 20% o che hai contribuito a un progetto che ha portato a un aumento del fatturato del 15%. Metriche del genere catturano sempre l'attenzione dei recruiter!
Mostra il tuo approccio alla risoluzione dei problemi:La data science è tutta una questione di risolvere problemi complessi. Utilizza il tuo CV e la tua lettera motivazionale per descrivere come hai affrontato sfide specifiche in progetti precedenti. Ti consigliamo di includere un breve case study o un esempio pratico dei tuoi risultati per davvero colpire i selezionatori di Pennylane. Mostra loro come pensi e come apprendi!
Come prepararti a un colloquio di lavoro presso Pennylane
✨Brilla con il tuo Portafoglio
Porta con te un portfolio che mostri i tuoi progetti di data science. Includi studi di caso dettagliati e le tecniche che hai utilizzato, come l'analisi dei dati, il machine learning o la visualizzazione. In questo modo possiamo dimostrare concretamente il nostro problema-solving e le nostre competenze tecniche, che sono fondamentali in questo campo!
✨Preparati a Domande Tecniche
Aspettati domande tecniche in merito a statistica, machine learning e linguaggi di programmazione come Python o R. Potrebbero chiederti di spiegare modelli specifici o di analizzare un dataset sul momento. Rinfreschiamo insieme le nozioni di base e prepariamoci a dimostrare le nostre competenze pratiche.
✨Mostra la tua Curiosità
Le aziende cercano candidati che mostrino voglia di apprendere e crescita professionale. Durante l'intervista, parliamo delle tendenze attuali nel settore e dimostriamo il nostro interesse per l'innovazione nel campo della data science. Questo non solo ci farà apparire proattivi, ma metterà anche in evidenza la nostra motivazione.
✨Comunica Chiaramente i Tuoi Risultati
Essere bravi con i dati è fondamentale, ma sapere come comunicarli è altrettanto importante. Durante l'intervista, cerca di essere chiaro e conciso mentre parli dei tuoi risultati. Usa esempi specifici per dimostrare come le tue analisi abbiano avuto un impatto positivo in progetti passati. In questo modo possiamo evidenziare le nostre capacità comunicative, fondamentali per un ruolo a tempo pieno.