Python Developer
Silent Eight
Silent Eight tworzy produkty AI do walki z praniem pieniędzy dla globalnych banków. Rola łączy backend Python z MLOps: będziesz wdrażać modele ML (w tym LLM) do produkcji, projektować potoki danych i współpracować z data scientistami. To nie jest klasyczny Python Developer – główny nacisk na ML/MLOps.
Brakuje: wielkość zespołu i struktura, czy występuje on-call.
To rola Inżyniera ML / MLOps, a nie klasycznego Python Developera. Głównym zadaniem jest wdrażanie modeli ML i LLM do produkcji, a nie tylko pisanie backendu.
Silent Eight tworzy produkty AI do walki z praniem pieniędzy dla globalnych banków. Rola łączy backend Python z MLOps: będziesz wdrażać modele ML (w tym LLM) do produkcji, projektować potoki danych i współpracować z data scientistami. To nie jest klasyczny Python Developer – główny nacisk na ML/MLOps.
- ✓B2B z płatnym urlopem
- ✓Budżet szkoleniowy i Development Days
- ✓Praca nad realnym produktem AI walczącym z przestępczością finansową
- ✓Startupowa kultura z autonomią i szybkim prototypowaniem
- !Szeroki widełek płac (11-18.5k) może oznaczać dużą negocjację lub niższy przedział
- !Brak szczegółów dotyczących wielkości zespołu i on-call
- !Wymóg pomocy innym zespołom może prowadzić do rozproszenia obowiązków
- •Pisanie i utrzymanie aplikacji Python wspierających AML
- •Implementacja i deployment modeli ML (w tym LLM typu GPT/BERT)
- •Współpraca z data scientistami przy integracji modeli w produkcji
- •Projektowanie frameworków do integracji, walidacji i jakości danych
- •Preprocessing i inżynieria cech dla dużych zbiorów danych
- •Utrzymywanie pipeline'ów MLOps (CI/CD dla modeli)
- •Tworzenie szybkich prototypów dla klientów i interesariuszy
- •Monitorowanie i debugowanie modeli ML w produkcji
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Mid-level Python developer z przynajmniej 1-2 latami doświadczenia w deploymencie modeli ML, podstawami MLOps i komfortową współpracą z data scientistami.
Juniorzy bez doświadczenia w ML/MLOps, osoby szukające czystego backendu bez ML, ani osoby preferujące pełną pracę w biurze.
- ?Jak liczny jest zespół inżynierów i data scientistów?
- ?Czy istnieje system dyżurów on-call?
- ?Jakie konkretnie LLMy są wykorzystywane w produkcji?
- ?Jaki jest stosunek pracy nad backendem do ML/MLOps?
- ?Czy stack technologiczny (cloud, big data) jest już wybrany?
- ?Jak wygląda proces review i deploymentu modeli?
- ?Czy budżet szkoleniowy obejmuje konferencje?
- ?Jak często tworzone są prototypy dla klientów?
- −Wielkość zespołu i struktura
- −Czy występuje on-call
- −Konkretna chmura (AWS/Azure/GCP)
- −Szczegóły dotyczące benefitów (stały dodatek kwartalny)
- −Czy istnieją development days i jaka jest ich forma
Startupowa kultura oparta na autonomii, odpowiedzialności i szybkim iterowaniu rozwiązań. Praca zdalna, elastyczność.
Poniżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię Machine Learning. Pełne statystyki zarobków →