Machine Learning Engineer (she/he/they)
Green Hive Technology
Jako Machine Learning Engineer w Green Hive Technology (software house w Grupie Żabka) będziesz odpowiedzialny za kompleksowy rozwój i wdrażanie produktów AI/ML – od predykcji, optymalizacji i rekomendacji po rozwiązania Causal AI i LLM. Pracujesz end-to-end: od analizy problemu, przez budowę modeli, aż po produktyzację i deployment w chmurze. Rola wymaga łączenia wiedzy ML z umiejętnościami inżynieryjnymi (MLOps, CI/CD) i komunikacją z biznesem.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: brak informacji o konkretnym cloud providerze, nie określono wielkości zespołu ml ani struktury organizacyjnej.
Jako Machine Learning Engineer w Green Hive Technology (software house w Grupie Żabka) będziesz odpowiedzialny za kompleksowy rozwój i wdrażanie produktów AI/ML – od predykcji, optymalizacji i rekomendacji po rozwiązania Causal AI i LLM. Pracujesz end-to-end: od analizy problemu, przez budowę modeli, aż po produktyzację i deployment w chmurze. Rola wymaga łączenia wiedzy ML z umiejętnościami inżynieryjnymi (MLOps, CI/CD) i komunikacją z biznesem.
- ✓Realny wpływ na produkty używane przez miliony użytkowników (ekosystem Żabki)
- ✓Współpraca z ekspertami w innowacyjnym środowisku
- ✓Możliwość rozwoju w obszarach Causal AI i LLM
- !Brak informacji o konkretnym cloud providerze (AWS/GCP/Azure)
- !Nie sprecyzowano wielkości zespołu ML ani struktury projektu
- !Opis sugeruje szeroki zakres obowiązków (ML, MLOps, Causal AI, LLM) – może to oznaczać rozproszenie uwagi
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Projektowanie i trenowanie modeli ML (scikit-learn) do zadań predykcyjnych i rekomendacyjnych
- •Przygotowywanie danych oraz feature engineering z użyciem SQL i Pythona
- •Deployment modeli do produkcji w chmurze z użyciem narzędzi MLOps (CI/CD, Airflow, Terraform)
- •Budowanie rozwiązań opartych na Causal AI i silnikach LLM
- •Monitorowanie wydajności modeli w produkcji i iteracyjne ulepszanie
- •Współpraca z zespołem biznesowym przy definiowaniu wymagań i priorytetyzacji zadań
- •Tworzenie testów jednostkowych i udział w testach A/B
- •Utrzymywanie repozytoriów kodu w Git i dokumentowanie rozwiązań
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Kandydat z 3 latami doświadczenia w ML/DS, który zna Pythona i SQL na dobrym poziomie, potrafi stosować scikit-learn do standardowych problemów ML i ma podstawową wiedzę o Git i cyklu life-cycle modelu.
Osoby bez minimum 3 lat doświadczenia w ML/DS, preferujące wyłącznie pracę badawczą bez produkcyjnego wdrożenia, lub szukające wyłącznie pracy w biurze (oferta jest zdalna z opcjonalnym biurem).
- ?Z jakiego cloud providera korzystacie (AWS, GCP, Azure) i jakie są główne usługi do ML?
- ?Ile osób liczy zespół ML i jak wygląda współpraca z zespołem biznesowym?
- ?Czy stack ML ogranicza się do scikit-learn, czy używacie też PyTorch/TensorFlow?
- ?Jakie narzędzia MLOps są obecnie używane (np. MLflow, Kubeflow)?
- ?Jak wygląda proces wersjonowania modeli i zarządzania danymi?
- ?Czy w projekcie są jakieś konkretne wyzwania związane z Causal AI lub LLM, o których warto wiedzieć?
- ?Jaka jest preferowana metodyka pracy (Scrum, Kanban) i częstotliwość release'ów?
- −Brak informacji o konkretnym cloud providerze
- −Nie określono wielkości zespołu ML ani struktury organizacyjnej
- −Brak szczegółów dotyczących procesu MLOps w firmie
Kultura oparta na współpracy i otwartości – zespół ceni proaktywność, jasną komunikację i dzielenie się wiedzą. Pracownicy mają realny wpływ na rozwiązania, a pomysły są słyszane.
Proces składa się z 3 etapów: 1) rozmowa telefoniczna (ok. 30 minut), 2) rozmowa merytoryczna online, 3) rozmowa z osobą z biznesu. Brak informacji o zadaniu domowym lub live codingu.