Machine Learning Engineer (LLM)
Univio
Rola skupia się na budowie i wdrażaniu rozwiązań ML/AI, szczególnie opartych na LLM (chatboty, RAG, semantic search). Do codziennych zadań należy przygotowywanie danych, implementacja modeli, integracja z istniejącymi systemami oraz monitorowanie rozwiązań produkcyjnych. To stanowisko łączy kompetencje data science z inżynierią oprogramowania i MLOps.
Brakuje: liczba osób w zespole, konkretny stack chmurowy (aws vs inne).
Rola skupia się na budowie i wdrażaniu rozwiązań ML/AI, szczególnie opartych na LLM (chatboty, RAG, semantic search). Do codziennych zadań należy przygotowywanie danych, implementacja modeli, integracja z istniejącymi systemami oraz monitorowanie rozwiązań produkcyjnych. To stanowisko łączy kompetencje data science z inżynierią oprogramowania i MLOps.
- ✓Długi staż firmy (28 lat) i stabilność
- !Poziom 'regular' przy dość szerokim zakresie wymagań (może sugerować oczekiwania seniora)
- !Brak informacji o wielkości zespołu i liczbie projektów jednocześnie
- !Proces rekrutacyjny zawiera zadanie domowe (nieokreślonej skali)
- •Budowa i rozwój rozwiązań ML/AI na bazie danych strukturalnych i niestrukturalnych
- •Przygotowywanie danych: czyszczenie, transformacje, feature engineering
- •Implementacja rozwiązań LLM (chatboty, RAG, semantic search) z użyciem LangChain/LangGraph
- •Integracja modeli z pipeline'ami danych i systemami produkcyjnymi
- •Monitorowanie modeli pod kątem jakości, dryfu i potrzeby retrainingu
- •Współpraca z zespołami Data Engineering, DevOps i produktowymi
- •Pisanie kodu produkcyjnego w Pythonie z zachowaniem dobrych praktyk (clean code, testy, debugowanie)
- •Dokumentowanie decyzji i wykonanych prac
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Osoba z solidnymi podstawami ML i przynajmniej rocznym doświadczeniem w budowaniu rozwiązań opartych na LLM, która potrafi pisać produkcyjny kod i korzystać z Docker/CI/CD.
Juniorzy bez doświadczenia w ML lub osobach, które nie chcą zajmować się deploymentem i utrzymaniem modeli. Również nie dla kogoś, kto unika pracy z danymi lub nie zna Pythona na poziomie produkcyjnym.
- ?Ile osób liczy zespół ML/Data Science?
- ?Jakie projekty LLM są obecnie realizowane?
- ?Jak wygląda on-call lub wsparcie produkcyjne?
- ?Czy zadanie domowe jest płatne i jaki jest jego szacowany czas?
- ?Jakie są główne wyzwania techniczne w obecnych projektach?
- ?Czy istnieje możliwość publikacji wyników lub udziału w konferencjach?
- ?Jaki jest stosunek pracy nad nowymi funkcjonalnościami do utrzymania?
- −Liczba osób w zespole
- −Konkretny stack chmurowy (AWS vs inne)
- −Częstotliwość wdrożeń i skalowalność systemów
- −Budżet na szkolenia zewnętrzne poza godzinami rozwojowymi
Kultura otwartości i dzielenia się wiedzą, luźna atmosfera w stabilnym środowisku.
1. Aplikacja. 2. Rozmowa z rekruterką (Ania) + zadanie domowe. 3. Rozmowa techniczna z rekruterką i Data Scientist. 4. Spotkanie z managerem. 5. Decyzja w ciągu 2 tygodni.
Poniżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię LLM. Pełne statystyki zarobków →