Senior Machine Learning Engineer - Model Evaluations, Public Sector Job at Scale

Senior Machine Learning Engineer - Model Evaluations, Public Sector

The Public Sector ML team at Scale deploys advanced AI systems-including LLMs, agentic models, and multimodal pipelines-into mission-critical government environments. We build evaluation frameworks that ensure these models operate reliably, safely, and effectively under real-world constraints. As an ML Engineer, you will design, implement, and scale automated evaluation pipelines that help customers trust and operationalize advanced AI systems across defense, intelligence, and federal missions.

You will:

• Develop and maintain automated evaluation pipelines for ML models across functional, performance, robustness, and safety metrics, including LLM-judge-based evaluations.


• Design test datasets and benchmarks to measure generalization, bias, explainability, and failure modes.


• Build evaluation frameworks for LLM agents, including infrastructure for scenario-based and environment-based testing.


• Conduct comparative analyses of model architectures, training procedures, and evaluation outcomes.


• Implement tools for continuous monitoring, regression testing, and quality assurance for ML systems.


• Design and execute stress tests and red-teaming workflows to uncover vulnerabilities and edge cases.


• Collaborate with operations teams and subject matter experts to produce high-quality evaluation datasets.


• Comfortable with light travel (approximately 10%) for customer interaction and team needs.

This role will require an active security clearance or the ability to obtain a security clearance.

Ideally you'd have:

• Experience in computer vision, deep learning, reinforcement learning, or NLP in production settings.


• Strong programming skills in Python; experience with TensorFlow or PyTorch.


• Background in algorithms, data structures, and object-oriented programming.


• Experience with LLM pipelines, simulation environments, or automated evaluation systems.


• Ability to convert research insights into measurable evaluation criteria.

Nice to haves:

• Graduate degree in CS, ML, or AI.


• Cloud experience (AWS, GCP) and model deployment experience.


• Experience with LLM evaluation, CV robustness, or RL validation.


• Knowledge of interpretability, adversarial robustness, or AI safety frameworks.


• Familiarity with ML evaluation frameworks and agentic model design.


• Experience in regulated, classified, or mission-critical ML domains.

Compensation packages at Scale for eligible roles include base salary, equity, and benefits. The range displayed on each job posting reflects the minimum and maximum target for new hire salaries for the position, determined by work location and additional factors, including job-related skills, experience, interview performance, and relevant education or training. Scale employees in eligible roles are also granted equity based compensation, subject to Board of Director approval. Your recruiter can share more about the specific salary range for your preferred location during the hiring process, and confirm whether the hired role will be eligible for equity grant. You'll also receive benefits including, but not limited to: Comprehensive health, dental and vision coverage, retirement benefits, a learning and development stipend, and generous PTO. Additionally, this role may be eligible for additional benefits such as a commuter stipend.

Please reference the job posting's subtitle for where this position will be located. For pay transparency purposes, the base salary range for this full-time position in the locations of San Francisco, New York, Seattle is: $240,450—$300,300 USD Please reference the job posting's subtitle for where this position will be located. For pay transparency purposes, the base salary range for this full-time position in the locations of Washington DC, Texas, Colorado, Hawaii is: $216,300—$269,850 USD

PLEASE NOTE:Our policy requires a 90-day waiting period before reconsidering candidates for the same role. This allows us to ensure a fair and thorough evaluation of all applicants.

About Us:

At Scale, our mission is to develop reliable AI systems for the world's most important decisions. Our products provide the high-quality data and full-stack technologies that power the world's leading models, and help enterprises and governments build, deploy, and oversee AI applications that deliver real impact. We work closely with industry leaders like Meta, Cisco, DLA Piper, Mayo Clinic, Time Inc., the Government of Qatar, and U.S. government agencies including the Army and Air Force. We are expanding our team to accelerate the development of AI applications.

We believe that everyone should be able to bring their whole selves to work, which is why we are proud to be an inclusive and equal opportunity workplace. We are committed to equal employment opportunity regardless of race, color, ancestry, religion, sex, national origin, sexual orientation, age, citizenship, marital status, disability status, gender identity or Veteran status.

We are committed to working with and providing reasonable accommodations to applicants with physical and mental disabilities. If you need assistance and/or a reasonable accommodation in the application or recruiting process due to a disability, please contact us at accommodations@scale.com. Please see the United States Department of Labor's Know Your Rights poster for additional information.

We comply with the United States Department of Labor's Pay Transparency provision.

PLEASE NOTE: We collect, retain and use personal data for our professional business purposes, including notifying you of job opportunities that may be of interest and sharing with our affiliates. We limit the personal data we collect to that which we believe is appropriate and necessary to manage applicants' needs, provide our services, and comply with applicable laws. Any information we collect in connection with your application will be treated in accordance with our internal policies and programs designed to protect personal data. Please see our privacy policy for additional information.

In Summary: The Public Sector ML team at Scale deploys advanced AI systems including LLMs, agentic models, and multimodal pipelinesinto mission-critical government environments . We build evaluation frameworks that ensure these models operate reliably, safely, and effectively under real-world constraints . We are expanding our team to accelerate the development of AI applications .

En Español:

Ingeniero superior de aprendizaje automático - Evaluaciones modelo, sector público

El equipo de ML del Sector Público en Scale despliega sistemas avanzados de IA, incluidos los LLM, modelos agentes y tuberías multimodal en entornos gubernamentales críticos para la misión. Construimos marcos de evaluación que garantizan el funcionamiento confiable, seguro y eficaz de estos modelos bajo restricciones del mundo real.

Usted lo hará:

• Desarrollar y mantener líneas de evaluación automatizadas para los modelos ML a través de métricas funcionales, de rendimiento, robustez y seguridad, incluidas las evaluaciones basadas en jueces LLM.
• Diseñar conjuntos de datos y puntos de referencia para medir la generalización, el sesgo, la explicabilidad y los modos de falla.
• Construir marcos de evaluación para los agentes del LLM, incluida la infraestructura para las pruebas basadas en escenarios y medioambientales.
• Realizar análisis comparativos de las arquitecturas del modelo, los procedimientos de formación y los resultados de la evaluación.
• Implementar herramientas para el seguimiento continuo, las pruebas de regresión y la garantía de calidad de los sistemas ML.
• Diseñar y ejecutar pruebas de estrés y flujos de trabajo red-teaming para descubrir vulnerabilidades y casos marginados.
• Colaborar con equipos de operaciones y expertos en materia para producir conjuntos de datos de evaluación de alta calidad.

Este papel requerirá una autorización de seguridad activa o la capacidad para obtenerla.

Lo ideal sería que tuvieras:

• Experiencia en visión por computadora, aprendizaje profundo, aprendizajes de refuerzo o PNL en entornos de producción.
• Fuertes habilidades de programación en Python; experiencia con TensorFlow o PyTorch.
• Antecedentes en algoritmos, estructuras de datos y programación orientada a objetos.
• Experiencia en tuberías de LLM, entornos de simulación o sistemas automatizados de evaluación.
• Capacidad para convertir los conocimientos de la investigación en criterios de evaluación medibles.

Es bueno tener:

• Grado en CS, ML o IA.
• Experiencia en la nube (AWS, GCP) y experiencia de implementación de modelos.
• Experiencia en la evaluación de LLM, robustez del CV o validación RL.
• Conocimiento de la interpretabilidad, robustez adversaria o marcos de seguridad AI.
• Familiarización con los marcos de evaluación del ML y el diseño del modelo agente.
• Experiencia en dominios ML regulados, clasificados o de misión crítica.

Los paquetes de compensación en la escala para los roles elegibles incluyen salario base, equidad y beneficios. El rango que se muestra en cada puesto de trabajo refleja el objetivo mínimo y máximo de nuevos sueldos de contratación para el cargo, determinado por la ubicación laboral y factores adicionales, incluyendo habilidades relacionadas con el empleo, experiencia, rendimiento de entrevistas y educación o capacitación relevante. A los empleados de la escala en funciones elegibles también se les otorga una remuneración basada en equidad, sujeto a la aprobación del Consejo de Administración. Su reclutador puede compartir más información sobre el rango salariacional específico para su lugar preferido durante el proceso de contratar, y confirmar si el rol contratado será elegible para una subvención de equidad. También recibirá beneficios como: Salud integral, cobertura dental y visión, prestaciones de jubilación, un estipendio de aprendizaje y desarrollo y PTO. Adicionalmente, este papel puede ser elegível para beneficios adicionales tales como una beca.

Para fines de transparencia salarial, el rango salarial básico para este puesto a tiempo completo en las ubicaciones de San Francisco, Nueva York y Seattle es:

$240,450 - $300,300 USD

Para fines de transparencia salarial, el rango salarial básico para este puesto a tiempo completo en las localidades de Washington DC, Texas, Colorado y Hawai es:

$216,300 - $269,850 USD

Nuestra política requiere un período de espera de 90 días antes de reconsiderar a los candidatos para el mismo puesto, lo que nos permite garantizar una evaluación justa y exhaustiva de todos los solicitantes.

En Scale, nuestra misión es desarrollar sistemas de inteligencia artificial confiables para las decisiones más importantes del mundo. Nuestros productos proporcionan datos de alta calidad y tecnologías completas que impulsan los modelos líderes del mundo y ayudan a empresas y gobiernos a construir, implementar y supervisar aplicaciones de IA que brinden un impacto real. Trabajamos estrechamente con líderes de la industria como Meta, Cisco, DLA Piper, Mayo Clinic, Time Inc., el Gobierno de Qatar y agencias gubernamentales estadounidenses, incluidos el Ejército y la Fuerza Aérea. Estamos expandiendo nuestro equipo para acelerar el desarrollo de aplicaciones AI.

Creemos que todo el mundo debe ser capaz de ponerse a trabajar, por lo que estamos orgullosos de ser un lugar de trabajo inclusivo e igualitario. Estamos comprometidos con la igualdad de oportunidades laborales sin importar raza, color, ascendencia, religión, sexo, origen nacional, orientación sexual, edad, ciudadanía, estado civil, estatus de incapacidad, identidad de género o status de veterano. Nos comprometemos a trabajar y proporcionar alojamientos razonables a los solicitantes con discapacidades físicas y mentales. Si necesita asistencia y/o un ajuste razonable en el proceso de solicitud o reclutamiento debido a una discapacidad, póngase en contacto con nosotros en accommodations@scale.com.