Applied Machine Learning Engineer
Hitachi Energy
Rola skupia się na budowaniu, wdrażaniu i monitorowaniu produkcyjnych pipeline'ów ML w środowisku enterprise. Łączy praktyczną implementację modeli, eksperymenty naukowe, obsługę klientów oraz rozwój AI agentów. Duża część pracy to customer-facing: dema, troubleshooting, wsparcie sprzedaży. To nie jest czysto badawcza rola – wymaga inżynierskiego podejścia do ML i gotowości do kontaktu z klientem.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: model pracy (zdalny/hybrydowy/stacjonarny), wielkość zespołu.
Rola skupia się na budowaniu, wdrażaniu i monitorowaniu produkcyjnych pipeline'ów ML w środowisku enterprise. Łączy praktyczną implementację modeli, eksperymenty naukowe, obsługę klientów oraz rozwój AI agentów. Duża część pracy to customer-facing: dema, troubleshooting, wsparcie sprzedaży. To nie jest czysto badawcza rola – wymaga inżynierskiego podejścia do ML i gotowości do kontaktu z klientem.
- −Rola wymaga wsparcia sprzedaży (dema dla klientów) – może oznaczać dużą presję sprzedażową
- −Brak informacji o modelu pracy (zdalny/hybrydowy/stacjonarny)
- −Brak widełek wynagrodzenia
- !Customer-centric focus – prawdopodobnie dużo spotkań i kontaktu z klientem
- !Wzmianka o 'contribute to frontend and backend requirements' – może wskazywać na rozmyte granice odpowiedzialności
- !Brak opisu procesu rekrutacyjnego
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Implementacja modeli ML i transformacji danych w Pythonie (TensorFlow, PyTorch, scikit-learn)
- •Przygotowywanie i uruchamianie eksperymentów dla konkretnych przypadków użycia klientów
- •Rozwój AI agentów i konfiguracja LLM-ów
- •Pisanie testów jednostkowych i automatyzacja CI/CD (Azure DevOps)
- •Konteneryzacja kodu (Docker) i deployment pipeline'ów do chmury (Kubernetes)
- •Monitorowanie wydajności i niezawodności pipeline'ów ML w produkcji
- •Code review i dokumentacja techniczna
- •Wsparcie istniejących klientów – troubleshooting, skrypty automatyzacji, przygotowanie przykładów
Oferta dla doświadczonych specjalistów (Senior).
Mid-level inżynier ML z solidną znajomością Pythona i frameworków, podstawami chmury i konteneryzacji, gotowy do szybkiego wejścia w tematykę LLM i agentów.
Juniorzy bez doświadczenia w produkcyjnym ML, chmurze i konteneryzacji. Osoby, które nie chcą mieć kontaktu z klientem ani angażować się w wsparcie sprzedażowe.
- ?Jaki jest model pracy – zdalny, hybrydowy czy stacjonarny?
- ?Ile osób liczy zespół ML i jak jest zorganizowany?
- ?Jak wygląda wsparcie klienta – czy są dyżury on-call?
- ?Jakie są główne przypadki użycia dla AI agentów?
- ?Czy są plany modernizacji stacku ML?
- ?Jaka jest rotacja w zespole?
- ?Czy są szkolenia lub budżet na rozwój w zakresie LLM/agentów?
- −Model pracy (zdalny/hybrydowy/stacjonarny)
- −Wielkość zespołu
- −Opis procesu rekrutacyjnego
- −Szczegóły dotyczące chmury (który provider?)
- −Widełki wynagrodzenia
Wymagana samodzielność i umiejętność pracy zespołowej. Firma stawia na dzielenie się wiedzą i rozwój wszystkich komponentów produktu. Duży nacisk na jakość kodu i inżynieryjne best practices.