Senior Data Scientist / ML Engineer
Kyper
Rola łączy Data Science z produkcją ML w startupie budującym system predykcyjnego utrzymania ruchu dla ciężkiego przemysłu (górnictwo, ropa i gaz). Jako Senior Data Scientist/ML Engineer będziesz odpowiadać za cały cykl życia modeli ML – od rozmów z klientami, przez projektowanie eksperymentów, trenowanie modeli, aż po wdrożenie na platformie chmurowej (Vertex AI, SageMaker lub Azure ML) i iterację na podstawie feedbacku. Połowa pracy to zadawanie właściwych pytań, druga połowa to dostarczanie rozwiązań. Nie ma gotowych specyfikacji – trzeba je wyciągnąć z klientów i danych.
Brakuje: brak informacji o procesie rekrutacyjnym (liczba etapów, zadanie domowe, rozmowy), nie podano wielkości zespołu poza ogólnym '1-10'.
Rola łączy Data Science z produkcją ML w startupie budującym system predykcyjnego utrzymania ruchu dla ciężkiego przemysłu (górnictwo, ropa i gaz). Jako Senior Data Scientist/ML Engineer będziesz odpowiadać za cały cykl życia modeli ML – od rozmów z klientami, przez projektowanie eksperymentów, trenowanie modeli, aż po wdrożenie na platformie chmurowej (Vertex AI, SageMaker lub Azure ML) i iterację na podstawie feedbacku. Połowa pracy to zadawanie właściwych pytań, druga połowa to dostarczanie rozwiązań. Nie ma gotowych specyfikacji – trzeba je wyciągnąć z klientów i danych.
- ✓Pełna odpowiedzialność za cykl życia ML – od pomysłu do produkcji
- ✓Bezpośrednia praca z klientami i realny wpływ na produkt
- ✓Transparentne oczekiwania: wprost napisane, czego nie oczekują (np. czystych specyfikacji, 9-17)
- ✓Elastyczność czasu pracy w zamian za okazjonalne nietypowe godziny
- ✓Startup na wczesnym etapie z możliwością kształtowania procesów i narzędzi
- !Okazjonalne wczesne lub późne spotkania z klientami z różnych stref czasowych (Japonia, Alaska)
- !Wymóg zaawansowanego korzystania z AI code agents (Claude Code, MCP, personal knowledge systems) – może być barierą dla osób z podstawowym użyciem AI
- !Brak sprecyzowanego procesu rekrutacyjnego i dokładnego opisu day-to-day w zespole
- •Projektowanie i przeprowadzanie eksperymentów end-to-end: eksploracja danych, inżynieria cech, selekcja modeli, ewaluacja, kalibracja
- •Wdrażanie modeli do produkcji na Vertex AI, SageMaker lub Azure ML oraz utrzymywanie ich w dobrej kondycji
- •Podejmowanie decyzji dotyczących narzędzi: tracking (MLflow), registry, pipeline'y, serwowanie – wybór i obrona decyzji
- •Spotkania z klientami (często ekspertami domenowymi) w celu zrozumienia problemów operacyjnych i przełożenia ich na testowalne hipotezy
- •Prezentacja wyników klientom, zbieranie informacji zwrotnych i szybkie iterowanie
- •Pisanie kodu w Pythonie z PyTorch (lub odpowiednikiem) i używanie AI code agents (Claude Code, MCP, etc.) do przyspieszenia pracy
- •Utrzymywanie modeli w produkcji, monitorowanie wydajności i reagowanie na problemy
- •Współpraca z małym zespołem przy ustalaniu priorytetów i definiowaniu roadmapy produktu
Oferta dla doświadczonych specjalistów (Senior).
Inżynier ML z 5 latami doświadczenia komercyjnego, który wdrożył co najmniej jeden model do produkcji na platformie chmurowej i potrafi porozumiewać się z klientami, nawet jeśli nie ma jeszcze głębokiego doświadczenia w przemyśle ciężkim.
Nie dla osób, które potrzebują czystej, szczegółowej specyfikacji przed rozpoczęciem pracy, nie chcą rozmawiać z klientami, mają tylko doświadczenie w notebookach lub badaniach, nigdy nie mieli modelu w produkcji, korzystają tylko z podstawowych narzędzi AI (czat, autouzupełnianie) lub szukają stałych godzin 9-17.
- ?Ile osób liczy obecnie zespół inżynieryjny i jak wygląda podział ról (Data Science, ML Engineering, backend)?
- ?Jak często odbywają się wizyty u klientów i czy podróże są w pełni pokrywane?
- ?Jak mierzy się sukces modeli w produkcji i jakie narzędzia monitorujące są używane?
- ?Czy istnieje możliwość objęcia equity/opcji w startupie?
- ?Jak wygląda proces priorytetyzacji zadań – kto decyduje, nad czym pracujemy?
- ?Czy są dyżury on-call i jaka jest ich częstotliwość?
- ?Jaki budżet przewidziano na szkolenia, konferencje lub narzędzia?
- ?Jakie są oczekiwania co do częstotliwości używania AI code agents (Claude Code, MCP) – czy to wymóg twardy?
- −Brak informacji o procesie rekrutacyjnym (liczba etapów, zadanie domowe, rozmowy)
- −Nie podano wielkości zespołu poza ogólnym '1-10'
- −Nie wiadomo, jak wygląda codzienna współpraca (synchronizacje, standupy, narzędzia komunikacji)
- −Brak informacji o budżecie szkoleniowym lub możliwości uczestnictwa w konferencjach
- −Nie sprecyzowano, które z trzech platform chmurowych (Vertex AI, SageMaker, Azure ML) jest preferowane
Mały, autonomiczny zespół z dużą swobodą działania. Dominuje kultura zorientowana na wyniki i odpowiedzialność za produkt. Brak sztywnych procedur – priorytety zmieniają się wraz z potrzebami klientów i produktu. Oczekuje się szybkiego uczenia się i adaptacji.
Powyżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię AI. Pełne statystyki zarobków →