Machine Learning Engineer
MailerLite
MailerLite, firma dostarczająca usługi email marketingu dla ponad 1 miliona firm, tworzy warstwę inteligencji w swoich produktach. Rola Machine Learning Engineer to pierwsze kluczowe stanowisko ML w firmie – będziesz budować modele predykcyjne na dużej skali danych behawioralnych oraz fine-tunować LLM-y, aby stworzyć asystenta wspierającego klientów. Odpowiadasz za cały cykl życia modeli: od eksploracji danych, przez trenowanie i ewaluację, aż po wdrożenie i monitorowanie w produkcji. To nie jest rola badawcza – modele muszą przynosić realne biznesowe efekty.
Brakuje: nie podano wielkości obecnego zespołu ml, brak opisu procesu rekrutacyjnego (liczba etapów, zadanie domowe itp.).
MailerLite, firma dostarczająca usługi email marketingu dla ponad 1 miliona firm, tworzy warstwę inteligencji w swoich produktach. Rola Machine Learning Engineer to pierwsze kluczowe stanowisko ML w firmie – będziesz budować modele predykcyjne na dużej skali danych behawioralnych oraz fine-tunować LLM-y, aby stworzyć asystenta wspierającego klientów. Odpowiadasz za cały cykl życia modeli: od eksploracji danych, przez trenowanie i ewaluację, aż po wdrożenie i monitorowanie w produkcji. To nie jest rola badawcza – modele muszą przynosić realne biznesowe efekty.
- ✓Greenfield ML – budowa warstwy AI od zera z dużym wpływem na produkt
- ✓End-to-end ownership modeli: od danych do produkcji
- ✓Transparentny przedział wynagrodzenia podany w ogłoszeniu
- ✓Kultura remote-first z rocznym zjazdem firmowym i 31 dniami urlopu
- ✓Budżet Joy ($1000/rok) i inne benefity wspierające wellbeing
- !Zespół ML dopiero się kształtuje – może brakować dojrzałych procesów i infrastruktury
- !Poziom 'regular' może sugerować oczekiwanie samodzielności, ale bez jasnego seniority
- •Budowanie i wdrażanie modeli predykcyjnych (np. przewidywanie zaangażowania, optymalizacja czasu wysyłki) na danych behawioralnych i zdarzeniowych
- •Fine-tuning LLM-ów na własnych danych do zasilania asystenta podejmującego działania w imieniu klienta
- •Projektowanie pipeline'ów treningowych i inferencyjnych – od przygotowania danych, po serwowanie modeli
- •Tworzenie harnessów ewaluacyjnych mierzących rzeczywisty wpływ modeli (nie tylko metryki offline)
- •Wymuszanie niezawodnych, strukturyzowanych wyników modeli dla produkcji
- •Współpraca z zespołami produktowymi i inżynieryjnymi, które konsumują modele jako współdzieloną infrastrukturę
- •Pisanie wydajnych zapytań SQL na dużych zbiorach danych oraz praca z magazynami kolumnowymi i relacyjnymi bazami danych
- •Autonomiczna praca w zdalnym, asynchronicznym zespole z minimum 4-godzinną nakładką na CET
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Osoba z 2–3 latami doświadczenia w ML produkcji, bardzo dobra w Pythonie i SQL, z podstawowym doświadczeniem w fine-tuningu LLM-ów, która potrafi samodzielnie prowadzić projekty i komunikować się w zdalnym zespole.
Nie dla osób, które nie mają doświadczenia w produkcji (tylko badania lub notebooki), preferują pracę w dużym zespole z jasno zdefiniowanymi zadaniami, lub nie chcą budować infrastruktury ML od podstaw.
- ?Ile osób jest obecnie w zespole ML i jakie są plany wzrostu?
- ?Jaka jest obecna infrastruktura do ML (np. platforma, narzędzia do monitoringu)?
- ?Czy istnieje już pipeline CI/CD dla modeli, czy trzeba go zbudować od nowa?
- ?Jak wygląda proces decyzyjny dotyczący wyboru problemów ML do rozwiązania?
- ?Czy są oczekiwane dyżury on-call związane z utrzymaniem modeli w produkcji?
- ?Jakie jest podejście do eksperymentów i testów A/B na modelach?
- ?Czy są już jakieś dane oznaczone (etykiety) do uczenia nadzorowanego, czy trzeba je zebrać?
- −Nie podano wielkości obecnego zespołu ML
- −Brak opisu procesu rekrutacyjnego (liczba etapów, zadanie domowe itp.)
- −Nie wiadomo, czy istnieje już infrastruktura do ML (pipelines, monitoring) czy trzeba ją zbudować
- −Brak informacji o polityce on-call dla modeli w produkcji
Zdalny, autonomiczny zespół z kulturą async-first, bez mikrozarządzania, z naciskiem na własność i współpracę. Firma organizuje roczne retreaty i promuje work-life balance.