Machine Learning Engineer
deepsense.ai
To rola inżyniera uczenia maszynowego specjalizującego się w dużych modelach językowych (LLM) i Generative AI. Będziesz projektować i wdrażać produkcyjne systemy oparte na LLM, w tym RAG, agentów AI i potoki wnioskowania. Pracujesz w modelu konsultingowym – realizujesz projekty dla klientów zewnętrznych, od proof-of-concept po wdrożenia produkcyjne. Codziennie używasz frameworków takich jak LangChain, LlamaIndex, PyTorch, Hugging Face oraz chmur publicznych. To hybryda inżynierii ML i software engineering – nie tylko modele, ale też architektura, API, MLOps i optymalizacja kosztów wnioskowania.
Brakuje: brak opisu procesu rekrutacyjnego (liczba etapów, zadanie domowe, live coding), nie podano wielkości zespołu i struktury (ile ml engineerów, ile data scientistów).
To rola inżyniera uczenia maszynowego specjalizującego się w dużych modelach językowych (LLM) i Generative AI. Będziesz projektować i wdrażać produkcyjne systemy oparte na LLM, w tym RAG, agentów AI i potoki wnioskowania. Pracujesz w modelu konsultingowym – realizujesz projekty dla klientów zewnętrznych, od proof-of-concept po wdrożenia produkcyjne. Codziennie używasz frameworków takich jak LangChain, LlamaIndex, PyTorch, Hugging Face oraz chmur publicznych. To hybryda inżynierii ML i software engineering – nie tylko modele, ale też architektura, API, MLOps i optymalizacja kosztów wnioskowania.
- ✓Praca bezpośrednio z najnowszymi technologiami (MCP, agentic frameworks, LLM) w produkcyjnym kontekście
- ✓Możliwość współpracy z liderami AI (OpenAI, Anthropic) i wczesny dostęp do narzędzi
- ✓Wkład w open-source (ragbits) i publikowanie wyników na konferencjach
- ✓Elastyczne godziny i w pełni zdalna praca z kulturą work-life balance
- ✓Dostęp do premium narzędzi AI (ChatGPT, Claude, Gemini, GitHub Copilot, Cursor, itp.)
- ✓Budżet szkoleniowy, buddy od pierwszego dnia i kultura dzielenia się wiedzą
- !Konsultingowa natura pracy – projekty mogą się zmieniać, a technologia różnić między klientami
- !Brak informacji o wielkości zespołu projektowego i procesie rekrutacyjnym
- •Projektowanie i implementacja pipeline'ów LLM (fine-tuning, RAG, agentowe przepływy) z użyciem LangChain, LlamaIndex lub DSPy
- •Integracja modeli LLM z zewnętrznymi API i narzędziami (MCP, OpenAI, Anthropic) w produkcyjnych systemach
- •Optymalizacja wnioskowania modeli pod kątem opóźnień, kosztów i skalowalności (techniki kwantyzacji, LoRA, batching)
- •Tworzenie i utrzymanie API dla modeli ML (np. FastAPI) oraz monitorowanie ich w produkcji
- •Projektowanie architektury rozwiązań AI w chmurze (AWS/GCP/Azure) z wykorzystaniem usług AI/ML
- •Implementacja i utrzymanie pipeline'ów MLOps: CI/CD dla modeli, logowanie, observability, monitoring jakości
- •Współpraca z klientami i zespołem (Data Scientists, Software Engineers, MLOps) przy definiowaniu wymagań i raportowaniu postępów
- •Analiza artykułów naukowych i eksperymentowanie z najnowszymi technikami GenAI
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Mid-level inżynier ML z co najmniej 3-4 latami doświadczenia w ML i solidną znajomością Python, który miał styczność z LLM-ami i MLOps. Osoba gotowa szybko uzupełnić wiedzę o frameworki agentowe i chmurę.
Kandydaci z mniej niż 3 latami doświadczenia w ML lub bez praktyki produkcyjnej z modelami. Osoby szukające wyłącznie badań naukowych bez wdrożeń. Programiści backendu bez znajomości ML/LLM.
- ?Jak wygląda proces wdrożeniowy u klienta – czy pracujemy nad jednym projektem na raz, czy równolegle?
- ?Ile osób liczy typowy zespół projektowy i jakie są role w zespole (ML Engineer vs Data Scientist vs MLOps)?
- ?Czy istnieje możliwość wyboru konkretnej chmury (AWS, GCP, Azure) w projekcie, czy narzuca ją klient?
- ?Jak wygląda polityka dotycząca publikacji naukowych i wystąpień konferencyjnych?
- ?Jaka jest typowa długość projektu – od czego do czego (Poc do produkcji)?
- ?Czy zespół ma dedykowanego MLOps, czy każdy inżynier ML odpowiada za deployment i monitoring?
- −Brak opisu procesu rekrutacyjnego (liczba etapów, zadanie domowe, live coding)
- −Nie podano wielkości zespołu i struktury (ile ML Engineerów, ile Data Scientistów)
- −Brak informacji o możliwych podróżach do klienta (nawet sporadycznych)
Zespół ekspertów AI z otwartą kulturą dzielenia się wiedzą, nastawiony na najnowsze technologie i rzeczywiste wdrożenia. Praca zdalna z elastycznymi godzinami i naciskiem na work-life balance.
Poniżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię LLMs.