Data Scientist - AI Engineer
Square One Resources
Rola łączy Data Science i Inżynierię ML – będziesz budować i wdrażać systemy AI dla klientów zewnętrznych, głównie w obszarze NLP i analizy doświadczeń klientów. Pracujesz jako kontraktor przez agencję Square One Resources, realizując projekty dla ich klienta (nieznanego z ogłoszenia). Codzienność to projektowanie, trenowanie i deploy modeli na AWS (SageMaker, MWAA, Athena), tworzenie agentów AI oraz współpraca z biznesem.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: nie podano widełek wynagrodzenia (b2b), brak informacji o wielkości zespołu i strukturze projektu.
Tytuł 'Data Scientist' sugeruje analizę danych i eksperymenty, ale rola to przede wszystkim inżynieria ML – budowa i wdrażanie produkcyjnych systemów AI, z naciskiem na deploy i MLOps. To bardziej ML Engineer niż Data Scientist w tradycyjnym rozumieniu.
Rola łączy Data Science i Inżynierię ML – będziesz budować i wdrażać systemy AI dla klientów zewnętrznych, głównie w obszarze NLP i analizy doświadczeń klientów. Pracujesz jako kontraktor przez agencję Square One Resources, realizując projekty dla ich klienta (nieznanego z ogłoszenia). Codzienność to projektowanie, trenowanie i deploy modeli na AWS (SageMaker, MWAA, Athena), tworzenie agentów AI oraz współpraca z biznesem.
- ✓Praca zdalna (remote) zgodnie z danymi strukturalnymi
- ✓Ciekawy obszar AI – customer-facing, NLP, CX – może być wartościowym projektem
- ✓End-to-end odpowiedzialność za ML – autonomia techniczna
- −Brak widełek wynagrodzenia – przy B2B może to oznaczać niską stawkę lub dużą negocjację
- −Firma rekrutacyjna, a klient nieznany – ryzyko krótkoterminowego projektu lub nieciekawego stosu
- −Opis pracy 'at the client's site' mimo remote w danych – niejasność co do rzeczywistej lokalizacji
- −Wymieniony tylko jeden benefit (opieka medyczna) – brak innych standardowych
- !Brak informacji o wielkości zespołu i strukturze projektu
- !Brak opisu procesu rekrutacyjnego
- !Niejasny model pracy – 'at the client's site' kontra remote
- !Dużo ogólników w opisie, mało konkretów o codziennej pracy
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Projektowanie i wdrażanie end-to-end rozwiązań ML na AWS SageMaker
- •Rozwijanie agentów AI dla aplikacji customer-facing
- •Eksperymentowanie z technikami NLP (transformery HuggingFace) i analiza danych feedbacku klientów
- •Budowa modeli predykcyjnych Customer Experience (CX)
- •Współpraca z interesariuszami biznesowymi i technicznymi przy definiowaniu wymagań
- •Deploy modeli do produkcji z użyciem Dockera i praktyk MLOps
- •Utrzymanie i monitoring modeli w środowisku produkcyjnym
- •Pisanie produkcyjnego kodu Python i code review
Oferta dla doświadczonych specjalistów (Senior).
Inżynier ML z 3-4 latami doświadczenia w komercyjnych projektach ML, który zna NLP i AWS, ale może mieć mniej doświadczenia z agentami AI i CX. Potrafi pisać produkcyjny kod Python i deployować modele na SageMaker.
Osoby początkujące (junior) bez komercyjnego wdrożenia modeli do produkcji. Rola wymaga samodzielności i doświadczenia w end-to-end ML – nie dla kogoś, kto tylko eksperymentował w notebookach.
- ?Kim jest klient końcowy? Jaka jest jego branża i skala?
- ?Ile osób liczy zespół ML i jak są podzielone role?
- ?Jak długi jest przewidywany kontrakt? Czy jest możliwość przedłużenia?
- ?Czy model pracy jest w pełni zdalny, czy jednak wymagane są wizyty u klienta?
- ?Jak wygląda on-call i wsparcie produkcyjne?
- ?Jaki jest budżet szkoleniowy lub dostęp do konferencji?
- ?Czy są już jakieś modele w produkcji, czy to greenfield?
- ?Jaki jest proces rekrutacyjny – liczba etapów, zadanie domowe?
- −Nie podano widełek wynagrodzenia (B2B)
- −Brak informacji o wielkości zespołu i strukturze projektu
- −Nie opisano procesu rekrutacyjnego
- −Nie wiadomo, czy wymagane są dyżury on-call
- −Brak informacji o budżecie szkoleniowym i benefitach poza opieką medyczną
- −Niejasność co do modelu pracy (remote vs. at client's site)