Senior AI ML Engineer
Altimetrik
Rola skupia się na budowie i utrzymaniu infrastruktury ML oraz pipeline'ów dla platformy Payments Machine Learning. To nie jest rola polegająca na tworzeniu nowych modeli, ale na rozwijaniu narzędzi i systemów umożliwiających szybkie i niezawodne wdrażanie ML na produkcji. Osoba na tym stanowisku będzie projektować, implementować i operować pipeline'y treningowe i inferencyjne, wykorzystując takie technologie jak Python, TensorFlow/PyTorch, Kubernetes, Airflow, Spark czy Kafka. Ważnym elementem jest współpraca z zespołem w USA, co wymaga dostępności do 21:00 2-3 razy w tygodniu.
Brakuje: brak informacji o wielkości zespołu, nie podano, czy istnieje dyżur on-call.
To rola MLOps/ML Infrastructure Engineer, a nie AI/ML Researcher. Praca skupia się na budowie i operowaniu pipeline'ami i infrastrukturą ML, a nie na tworzeniu nowych modeli.
Rola skupia się na budowie i utrzymaniu infrastruktury ML oraz pipeline'ów dla platformy Payments Machine Learning. To nie jest rola polegająca na tworzeniu nowych modeli, ale na rozwijaniu narzędzi i systemów umożliwiających szybkie i niezawodne wdrażanie ML na produkcji. Osoba na tym stanowisku będzie projektować, implementować i operować pipeline'y treningowe i inferencyjne, wykorzystując takie technologie jak Python, TensorFlow/PyTorch, Kubernetes, Airflow, Spark czy Kafka. Ważnym elementem jest współpraca z zespołem w USA, co wymaga dostępności do 21:00 2-3 razy w tygodniu.
- ✓Pełna transparentność wynagrodzeń (28-34k B2B)
- ✓Interesująca domena – platforma ML dla płatności
- ✓Nowoczesny stack technologiczny (Kubernetes, Airflow, PyTorch, Ray)
- ✓Kultura oparta na zaufaniu i działaniu ('we prefer to do things instead of just talking')
- −Wymóg dostępności do 21:00 2-3 razy w tygodniu – może wpływać na work-life balance
- −Brak informacji o zespole (wielkość, struktura) oraz o tym, czy platforma jest wewnętrzna czy kliencka
- !Firma określa się jako 'digital enablement company' – może to oznaczać pracę w modelu outsourcingowym
- !Brak wzmianki o procesie rekrutacyjnym
- !'Innovation-first approach' – buzzword, który może nie mieć pokrycia w rzeczywistości
- •Projektowanie i implementacja pipeline'ów treningowych ML w Pythonie
- •Deployowanie modeli na Kubernetes i zarządzanie ich inferencją
- •Monitorowanie i debugowanie systemów ML w produkcji (training/serving skew, alokacja zasobów)
- •Utrzymywanie i rozwijanie potoków danych w Airflow
- •Praca nad standardyzacją workflow'ów i migracją narzędzi platformowych
- •Współpraca z zespołem w USA (spotkania do 21:00 2-3 razy w tygodniu)
- •Implementacja mechanizmów reprodukowalności i monitoring jakości danych
- •Code review i dokumentacja techniczna
Oferta dla doświadczonych specjalistów (Senior).
Inżynier ML z 4-5 latami doświadczenia, solidny Python i praktyczna znajomość przynajmniej 2-3 wymaganych technologii. Potrafi samodzielnie budować i utrzymywać pipeline'y ML na produkcji.
Osoby szukające roli czysto badawczej lub skupionej na tworzeniu nowych modeli ML. Juniorzy bez doświadczenia produkcyjnego. Ktoś, kto nie może lub nie chce pracować wieczorami (do 21:00) 2-3 razy w tygodniu.
- ?Czy są dyżury on-call? Jak wygląda obsługa incydentów po godzinach?
- ?Jak często odbywają się spotkania z USA o 21:00 – czy to stały rytm, czy tylko w okresach intensywnej współpracy?
- ?Czy platforma jest rozwijana tylko wewnętrznie, czy też wdrażana u klientów?
- ?Jakie są największe wyzwania techniczne, nad którymi obecnie pracuje zespół?
- ?Czy istnieje budżet na szkolenia i konferencje?
- ?Jaka jest preferowana ścieżka kariery dla tej roli – czy możliwy awans na Tech Leada?
- ?Czy w ramach projektu są przewidziane migracje narzędzi/platform – czy to greenfield czy brownfield?
- −Brak informacji o wielkości zespołu
- −Nie podano, czy istnieje dyżur on-call
- −Brak wzmianki o budżecie szkoleniowym
- −Nie opisano procesu rekrutacyjnego
- −Nie wiadomo, czy platforma jest produktem wewnętrznym czy klienckim
Zespół stawia na działanie i szybkie uczenie się, z kulturą opartą na zaufaniu i empowerment. Preferowane jest robienie rzeczy zamiast mówienia o nich.
Na poziomie rynkowym
Dane z aktywnych ofert zawierających technologię Machine Learning. Pełne statystyki zarobków →