AI Researcher / Engineer
Abrial
Ta rola to budowanie i wdrażanie modeli uczenia maszynowego do optymalizacji cen (yield management) dla linii lotniczych. Będziesz pracować w małym, 10-osobowym zespole o wysokiej kulturze technicznej, łączącym badania AI z inżynierią. Mimo tytułu 'Researcher/Engineer', nacisk kładziony jest na szybkie prototypowanie, wdrażanie modeli do produkcji i mierzalny wpływ biznesowy — to nie jest czysto badawcza rola. Produkt jest już wdrożony u dużego przewoźnika, a startup ma finansowanie do Q1 2028.
Brakuje: nie podano szczegółów procesu rekrutacyjnego (etapy, zadania, czas), brak informacji o konkretnym cloudzie (aws, gcp, azure) używanym w produkcji.
Ta rola to budowanie i wdrażanie modeli uczenia maszynowego do optymalizacji cen (yield management) dla linii lotniczych. Będziesz pracować w małym, 10-osobowym zespole o wysokiej kulturze technicznej, łączącym badania AI z inżynierią. Mimo tytułu 'Researcher/Engineer', nacisk kładziony jest na szybkie prototypowanie, wdrażanie modeli do produkcji i mierzalny wpływ biznesowy — to nie jest czysto badawcza rola. Produkt jest już wdrożony u dużego przewoźnika, a startup ma finansowanie do Q1 2028.
- ✓Finansowanie do Q1 2028 – dobra stabilność jak na startup
- ✓Produkt już wdrożony u dużego przewoźnika i podpisana druga umowa – realna trakcja
- ✓Equity znacznie powyżej rynku – potencjalnie duże korzyści przy wzroście firmy
- ✓Praca w małym, topowym zespole z dużym zakresem odpowiedzialności i wpływu
- ✓Fundusze od renomowanych VC z Doliny Krzemowej
- !Szeroki zakres stażu (2-8 lat) może oznaczać nieprecyzyjne oczekiwania co do seniority
- !Pierwszy rok na B2B (freelance admin. status) z późniejszym przejściem na etat – może wiązać się z niepewnością
- !Startupowe środowisko może wymagać elastyczności i intensywnej pracy
- •Projektowanie i trenowanie modeli Deep Learning lub Reinforcement Learning do optymalizacji cen biletów lotniczych.
- •Implementacja algorytmów optymalizacyjnych dla problemów operacyjnych (operations research).
- •Wdrażanie modeli do produkcji i monitorowanie ich wydajności (MLOps).
- •Iteracyjne ulepszanie modeli na podstawie wyników biznesowych i danych z produkcji.
- •Współpraca z małym zespołem AI / inżynierów przy wyborze rozwiązań i architektury.
- •Pisanie kodu w Pythonie z użyciem PyTorch do trenowania i wnioskowania.
- •Utrzymywanie i optymalizacja pipeline'ów danych (we współpracy z Data Engineering).
- •Udział w planowaniu i priorytetyzacji feature'ów w szybkim cyklu deweloperskim.
Oferta dla doświadczonych specjalistów (Senior).
Inżynier z ok. 2-3 latami doświadczenia, który ma solidną wiedzę z DL/RL, potrafi wdrożyć model w PyTorch i rozumie proces produkcyjny. Gotowy pracować w małym zespole z dużą odpowiedzialnością.
Osoby z mniej niż 2 latami doświadczenia w ML (juniorskie role) lub szukające stabilnej, przewidywalnej ścieżki kariery w korporacji. Rola nie jest też odpowiednia dla kogoś, kto chce wyłącznie badać nowe metody bez implementacji produkcyjnej.
- ?Jak wygląda podział czasu pomiędzy badaniami a inżynierią (research vs production)?
- ?Jaki jest obecny stack MLOps (narzędzia do deploy’u, monitoringu, CI/CD)?
- ?Ile osób w zespole AI Engineering, a ile w Data Engineering?
- ?Czy są dyżury on-call lub wsparcie produkcyjne w nocy/weekendy?
- ?Jak wygląda proces decyzyjny i priorytetyzacja zadań w małym zespole?
- ?Kiedy planowane jest przejście na etat (employee status) i jakie będą warunki?
- −Nie podano szczegółów procesu rekrutacyjnego (etapy, zadania, czas)
- −Brak informacji o konkretnym cloudzie (AWS, GCP, Azure) używanym w produkcji
- −Nie wiadomo, jak często modele są retrenowane i jakie są wymagania dotyczące infrastruktury GPU
Mały, 10-osobowy zespół złożony z topowych specjalistów (biznes, domain expertise, AI research & engineering). Kultura oparta na bezpośredniej odpowiedzialności i szybkim iterowaniu – idealna dla osób ceniących autonomię i wpływ.
Na poziomie rynkowym
Dane z aktywnych ofert zawierających technologię PyTorch. Pełne statystyki zarobków →