Senior AI/ML Engineer
Svitla Systems
Rola to praktyczny inżynier ML w produkcji, pracujący nad systemami identyfikacji i scoringu w czasie rzeczywistym. Będziesz projektować, budować i wdrażać modele ML (głównie klasyfikacja, XGBoost) na grafe Neo4j w chmurze GCP. Klient tworzy platformę marketingową bez ciasteczek, a ML jest kluczowy dla revenue. To nie jest rola badawcza – chodzi o deploy, monitoring i iterację modeli w produkcji, z niskimi latencjami.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: brak opisu procesu rekrutacyjnego (etapy, długość)., brak informacji o wielkości zespołu i strukturze..
Rola to praktyczny inżynier ML w produkcji, pracujący nad systemami identyfikacji i scoringu w czasie rzeczywistym. Będziesz projektować, budować i wdrażać modele ML (głównie klasyfikacja, XGBoost) na grafe Neo4j w chmurze GCP. Klient tworzy platformę marketingową bez ciasteczek, a ML jest kluczowy dla revenue. To nie jest rola badawcza – chodzi o deploy, monitoring i iterację modeli w produkcji, z niskimi latencjami.
- ✓Ciekawy produkt: identity graph, real-time scoring, bez cookies.
- ✓Nowoczesny stack: GCP, Kubernetes, Neo4j, FastAPI.
- ✓Rola wysoko wpływa na revenue i dostarczalność.
- !Ogłoszenie nie precyzuje wielkości zespołu ani liczby modeli w produkcji.
- !Brak informacji o procesie rekrutacyjnym (etapy, zadanie domowe).
- !Wspomniane podróże służbowe raz na kwartał – mogą być uciążliwe dla niektórych.
- !Praca przez agencję (Svitla) – klient może mieć mniejszy wpływ na stabilność.
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Projektowanie i wdrażanie modeli ML do produkcji (identity resolution, scoring).
- •Budowanie pipeline'ów feature'owych (batch i real-time) w BigQuery i strumieniach.
- •Integracja modeli z bazą grafową Neo4j dla inferencji w czasie rzeczywistym.
- •Optymalizacja modeli klasyfikacyjnych (XGBoost) pod kątem niezbalansowanych danych.
- •Monitorowanie modeli (dryf, retraining) i raportowanie wydajności.
- •Wystawianie modeli jako niskolatencyjnych API (FastAPI, Kubernetes).
- •Współpraca z inżynierią platformową przy skalowaniu systemów AI.
- •Przygotowywanie danych i inżynieria cech z grafów (Cypher, algorytmy grafowe).
Oferta dla doświadczonych specjalistów (Senior).
Inżynier ML z 5 latami doświadczenia, który wdrażał modele w produkcji (API, kontenery), zna Neo4j na poziomie podstawowym i ma ogólne doświadczenie w chmurze (dowolna). Biegle programuje w Pythonie i rozumie wyzwania produkcyjne (monitoring, dryf).
Osoby bez doświadczenia w produkcyjnym ML (tylko notebooki) lub bez styczności z grafami. Również nie dla kogoś, kto nie chce podróżować raz na kwartał (choć to rzadkie).
- ?Ile osób liczy zespół ML i platform engineering, z którym będę współpracować?
- ?Jak wygląda proces rekrutacyjny – ile etapów, czy jest zadanie domowe?
- ?Czy są dyżury on-call? Jak często?
- ?Jaki jest poziom autonomii w wyborze narzędzi i architektury?
- ?Jak często modele są retrenowane w produkcji?
- ?Czy istnieją już pipeline'y MLOps, czy trzeba je budować od zera?
- ?Jaka jest skala danych (liczba węzłów/krawędzi w grafie, QPS inferencji)?
- ?Czy są plany migracji z GCP na inny cloud lub multi-cloud?
- −Brak opisu procesu rekrutacyjnego (etapy, długość).
- −Brak informacji o wielkości zespołu i strukturze.
- −Nie wiadomo, czy jest on-call i jaka jest jego częstotliwość.
- −Nie podano, czy istnieje budżet na konferencje/szkolenia (wspomniano 'personalized learning', ale bez konkretów).
Zespół jest techniczny, mocno nastawiony na impact i produkcję. Współpraca z platform engineering, nacisk na skalowalność i niskie latencje. Kultura raczej startupowa w obrębie klienta.