Auf einen Blick
Als AI Engineer wirst du für ein gut finanziertes EdTech-Startup die Intelligence Layer bauen, die Echtzeit-Eligibility-Entscheidungen für die ESA-Plattform antreibt, von LLM-Pipelines bis zur Production Reliability.
💰 ~$140.000–200.000/Jahr (geschätzt)
📊 Mid-Level
🕒 Vollzeit
🌍 Vor Ort
🗺️ Americas
- Simplicity Bias
- LLM/VLM Erfahrung
- User-Obsessed Mindset
- Comfort with Data Work
LLM
VLM
Evaluation Frameworks
Gehalt geschätzt anhand AI Engineer bei gut finanziertem $16M Startup mit Mission-Critical Fintech AI. Kein Gehalt in der Anzeige angegeben.
✅ Geeignet für
- AI/ML Engineers mit Production LLM Experience
- Builders comfortable mit Fintech Regulated Context
- On-Site SF/Phoenix Kandidaten
🚫 Weniger geeignet
- Research-Only Academics (Production Focus erforderlich)
- Remote-First Workers (In-Person erforderlich)
- LLM-Trend-Chasers ohne fundamentales Understanding
💡 Gut zu wissen
- In-Person San Francisco oder Phoenix erforderlich
- Regulated Fintech: AI Accuracy und Explainability sind nicht optional
- Mission-Critical: Eligibility Decisions impact families direkt
- Head of AI Lead: Du reportest zu führenden ML Researcher, nicht Generalist
Über das Unternehmen
Ein hochambitioniertes, gut finanziertes EdTech-Startup, das 16 Millionen USD von Top-Tier VCs und Angels aufgebracht hat. Das Unternehmen baut die finanziellen Schienen, um Familien den Zugang zu neuen staatlichen Bildungsfonds zu ermöglichen (ESAs oder School Choice Funds). Das 900-Milliarden-Dollar-Budget für US-Öffentliche Bildung wird für Eltern geöffnet.
Deine Aufgaben
- Du wirst direkt unter dem Head of AI arbeiten – ein Researcher mit Erfahrung bei einem weltführenden ML Research Lab
- Baue und ship die Intelligence Layer, die die Plattform antreibt
- Baue MVPs von Grund auf: Take neue AI-Produkte von Null zu echten Usern
- Optimiere Accuracy und Latency: Tune LLM und VLM Pipelines für fintech Regulated Demands
- Create robust Evals: Baue Evaluation Frameworks, die AI Behavior messbar, reproduzierbar und verbesserbar machen
- Read Data und Fix Mistakes: Diagnose Real-World AI Failures durch direkten Data Zugang
Deine Voraussetzungen
- Biased toward Simplicity: Du weißt dass viele AIs verwalten wird komplex
- Values Old und New AI Equally: Du erkennst Tradeoffs zwischen Prompting, Fine-Tuning, Training
- User-Obsessed: Du hälst den End-User in mind in jedem Technical Decision
- No Task Beneath You: Daten lesen, DB Edits, Evals für Edge Cases
- Comfortable with Ambiguity: Du kannst deinen eigenen Work scope, definiere deinen eigenen Quality Bar
- Able to work in-person: San Francisco oder Phoenix (Visa Support verfügbar)
Benefits
Wettbewerbsfähige Compensation + Equity (Details nicht vollständig visible in provided text)
