Wir verwenden technische Cookies und das anonymisierte Besuchsprotokoll von Zorky. Yandex Metrica (Daten werden auf Servern in Russland gespeichert) läuft nur mit Ihrer Einwilligung. Wir verkaufen keine Daten. Mehr zu Cookies und Statistik.
Zorky läuft im Testmodus — alles ist kostenlos. Stellen und Unternehmensseiten sind für alle offen; Links zu den Anzeigen und Ihre persönliche Stellenauswahl gibt es nach der Registrierung. Registrieren →
← Alle Stellen

Founding Machine Learning Engineer

Middleoffice~$15.4K /moSan Francisco, US →vor 2 T.
Markteinblicke
📊 AI / ML / Data Science: Gehälter und Nachfrage am Markt
Stack
llmpandaspolarspythonscikit-learnsql
Details
Erfahrung
ab 2 Jahren
Unternehmen und Link anzeigen
Kostenlos, nach der Anmeldung.
Bewerben
Öffnen Sie oben das Unternehmen und den Link — Ihre Bewerbung geht direkt in das Recruiting-System des Unternehmens, ohne Vermittler.

Beschreibung

Über die Stelle

About the Role

As the first machine learning engineer on the team, you will build the ML foundation for software that helps improve farm operations. You will turn fragmented agricultural data into carefully evaluated forecasts and insights that growers can use to make important decisions.

Aufgaben

What You'll Do

Audit and integrate historical data from farm systems, identifying useful signals and data gaps.

Build machine learning tools for forecasting, performance analysis, and operational efficiency.

Develop backtesting and evaluation frameworks to assess model accuracy before deployment.

Create privacy-first, anonymized datasets that support shared learning across farms.

Collaborate with product and engineering teammates to present useful insights to farm managers.

What We're Looking For

Two to four years of engineering experience, including shipping production ML models used to inform real decisions.

Strong Python and SQL skills, with experience using pandas or polars, scikit-learn, gradient boosting, and forecasting libraries.

Experience with tabular or time-series data, data pipelines, and tools that help explain model behavior.

A rigorous approach to evaluation, including awareness of data leakage, backtesting, and production readiness.

Ability to explain model outputs and uncertainty to non-technical stakeholders.

Daily experience building with AI and interest in combining LLMs and agents with classical ML.

Experience with large-scale data, messy startup data, or ap

Vollständige Beschreibung, Unternehmen und Bewerbungslink — nach der Anmeldung. Anmelden
Kontaktdaten des Arbeitgebers (E-Mail/Telefon/Telegram) sind in der öffentlichen Vorschau ausgeblendet.
Dringende Frage? Schreiben Sie @termdocs