Machine learning insieme all’intelligenza artificiale sono diventati parole d’ordine. Dato che Lokad è riconosciuta come una delle principali aziende europee che generano decisioni reali guidate dal machine learning - supply chain decisions in realtà - stiamo ricevendo un numero crescente di candidature.

La buona notizia: stiamo ancora assumendo!

In questo post, esaminiamo i tre ambiti del machine learning che esistono in Lokad e ciò che devi fare per massimizzare le possibilità di ottenere un colloquio con noi e, idealmente, essere assunto successivamente.

Complimenti ai candidati che saranno in grado di menzionare di aver letto questo post del blog durante il colloquio. Le persone intelligenti sono curiose e se non ti dispiace informarti un po’ sul tuo futuro datore di lavoro, probabilmente non sei adatto all’industria del machine learning.

Lavoro 1: Modellazione predittiva del business

Migliorare la supply chain performance di un’azienda attraverso il machine learning richiede un notevole sforzo. I dati devono essere ben preparati. La soluzione alla sfida dovrebbe essere pienamente allineata con la visione e la strategia dell’azienda cliente. I team di supply chain dovrebbero essere formati per adottare una nuova e più efficace soluzione analitica. Devono essere raccolti risultati misurabili e bisogna essere pronti a farli contestare dal top management. In Lokad, il team di modellazione dei dati, o più semplicemente il team dati, è responsabile per affrontare queste sfide.

Per questa posizione, cerchiamo ingegneri con una forte mentalità analitica, capaci non solo di comprendere i punti di forza e le limitazioni dei motori di machine learning messi a disposizione, ma anche di implementare soluzioni reali che verranno integrate nei quotidiani flussi di lavoro delle real-world supply chain. I miglioramenti sono concreti e anche gli errori lo sono. Durante il colloquio, è consigliabile dimostrare la tua comprensione del prodotto Lokad, come documentato sul nostro sito web. Punti bonus se riuscirai a delineare come la tecnologia di Lokad possa essere impiegata per affrontare le reali supply chain challenges.

Lavoro 2: Realizzare l’infrastruttura Big Data

Il machine learning dipende in maniera critica dai dati. Infatti, più dati sono disponibili, migliore è il funzionamento del machine learning. Lokad cerca talentuosi ingegneri del software in grado di progettare tutta l’infrastruttura che supporta le diverse componenti del machine learning. L’importanza dell’intera data pipeline non va sottovalutata: una pipeline carente è una delle cause principali di fallimento delle iniziative basate sui dati. L’infrastruttura deve essere non solo veloce e affidabile, ma anche capace di far fronte agli elevati requisiti computazionali degli algoritmi di machine learning.

Per questo ruolo, cerchiamo ingegneri del software con una forte propensione per il complesso processamento distribuito di back-office. Non dovresti temere di affrontare algoritmi complicati, come la gestione di un albero radix, e di implementarli personalmente. Idealmente, durante il colloquio dovresti dimostrare non solo la tua capacità di comprendere e implementare questo tipo di elaborazione algoritmica, ma anche di consegnare un codice manutenibile e adatto alla produzione.

Lavoro 3: Scienza hardcore del machine learning

Gran parte degli algoritmi di machine learning moderni sono complicati non solo da un punto di vista statistico, ma anche da uno puramente algoritmico. Lokad cerca matematici talentuosi disposti ad acquisire le competenze di sviluppo software necessarie per implementare quegli algoritmi di machine learning “hardcore”. Abbiamo sviluppato una nostra gamma di algoritmi specificamente progettati per le esigenze della supply chain. Non aspettarti di collegare un open source toolkit di machine learning e andartene: i nostri clienti dipendono criticamente da algoritmi che sono stati progettati per affrontare specifiche supply chain challenges.

Per questa posizione, cerchiamo matematici o sviluppatori software con una forte propensione per l’analisi numerica e l’ottimizzazione, che abbiano l’ambizione di affrontare problemi estremamente difficili. Non dovresti temere di sviluppare la tua propria classe di algoritmi, che potrebbe risultare in qualche modo diversa da quella considerata “mainstream” nel machine learning. Idealmente, durante il colloquio, dovresti essere in grado di dimostrare perché Lokad richiede approcci alternativi e magari fornire qualche intuizione personale sul caso.