ML Engineer
emagine
Rola ML Engineera skupia się na pełnym cyklu rozwoju modeli uczenia maszynowego, od potoków danych, przez trening i ewaluację, po wdrażanie. Kandydat będzie pracował nad ulepszaniem modeli typu encoder, budowaniem wsparcia dla wieloklasowej klasyfikacji, portowaniem potoków inferencji do C/C++, oraz implementacją zaawansowanych strategii treningowych. Wymagana jest biegłość w Pythonie i ML, a doświadczenie z frameworkami inferencji (CoreML, MLX) oraz C/C++ jest dużym plusem. Rola wymaga szybkiego uczenia się i adaptacji.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: szczegółowy opis architektury systemu, w którym będą wdrażane modele., informacje o narzędziach do monitorowania modeli po wdrożeniu..
Rola ML Engineera skupia się na pełnym cyklu rozwoju modeli uczenia maszynowego, od potoków danych, przez trening i ewaluację, po wdrażanie. Kandydat będzie pracował nad ulepszaniem modeli typu encoder, budowaniem wsparcia dla wieloklasowej klasyfikacji, portowaniem potoków inferencji do C/C++, oraz implementacją zaawansowanych strategii treningowych. Wymagana jest biegłość w Pythonie i ML, a doświadczenie z frameworkami inferencji (CoreML, MLX) oraz C/C++ jest dużym plusem. Rola wymaga szybkiego uczenia się i adaptacji.
- ✓Praca z nowoczesnymi technologiami ML, w tym potencjalnie GenAI.
- ✓Możliwość pracy nad różnorodnymi zadaniami, od potoków danych po frontend.
- ✓Duża firma (501+) może oznaczać stabilność zatrudnienia.
- −Krótki termin projektu ('short term assignment') z datą zakończenia 30 września może oznaczać brak stabilności długoterminowej.
- −Praca wyłącznie 'onsite' w Malmö może być barierą dla kandydatów preferujących pracę zdalną lub hybrydową.
- −Typ kontraktu 'other' może sugerować niestandardowe warunki zatrudnienia.
- !Wielkość firmy '501+' sugeruje dużą organizację, co może oznaczać bardziej rozbudowane procesy i potencjalnie mniejszą elastyczność.
- !Konieczność pracy z kodem legacy może być wyzwaniem dla niektórych kandydatów.
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Ulepszanie modeli typu encoder, zwiększanie ich pojemności i rozdzielczości wejściowej.
- •Budowanie potoków danych i modeli dla wieloklasowej klasyfikacji.
- •Portowanie potoków inferencji do C, tworzenie CLI i interfejsu frontendowego do zarządzania zadaniami.
- •Portowanie inferencji CoreML do MLX, umożliwiając wykonanie modeli na różnych systemach operacyjnych.
- •Trenowanie modeli zaufania i rankingu na podstawie wyników istniejących modeli autoregresyjnych.
- •Implementacja treningu skumulowanego (curriculum training), z automatycznym harmonogramowaniem danych treningowych.
Oferta dla doświadczonych specjalistów (Senior).
Kandydat z praktycznym doświadczeniem w Pythonie i podstawowym zrozumieniem cyklu życia modeli ML (potoki danych, trening, wdrażanie). Powinien być w stanie szybko się uczyć i adaptować do nowych technologii oraz posiadać umiejętności komunikacyjne.
Rola nie jest dla osób, które szukają pracy wyłącznie w obszarze analizy danych lub budowania raportów. Kandydaci bez doświadczenia w Pythonie lub bez podstawowej wiedzy o uczeniu maszynowym nie będą pasować. Osoby, które nie są otwarte na szybkie zmiany zadań i naukę nowych technologii, również nie będą odpowiednie.
- ?Jakie są główne cele projektu ML w tym okresie?
- ?Jak wygląda proces wdrażania modeli do produkcji?
- ?Jakie są oczekiwania dotyczące współpracy z innymi zespołami (np. frontend, backend)?
- ?Jakie narzędzia są wykorzystywane do zarządzania zadaniami i komunikacji w zespole?
- ?Czy istnieją plany rozwoju lub dalszych prac nad projektami ML po zakończeniu obecnego kontraktu?
- ?Jakie są główne wyzwania techniczne związane z obecnym stanem modeli i potoków?
- ?Jak wygląda proces onboardingu dla nowej osoby na tym stanowisku?
- −Szczegółowy opis architektury systemu, w którym będą wdrażane modele.
- −Informacje o narzędziach do monitorowania modeli po wdrożeniu.
- −Informacje o kulturze pracy i stylu zarządzania w zespole.
- −Dokładne informacje o procesie rekrutacyjnym.