Senior Machine Learning Engineer
N-iX
Rola polega na prowadzeniu rozwoju i wdrażania zaawansowanych modeli AI w dwóch strategicznych inicjatywach: NLP dla inteligencji dokumentacyjnej (LLM, RAG, przetwarzanie regulacyjnych tekstów) oraz analityce predykcyjnej dla łańcucha dostaw (prognozowanie szeregów czasowych, klasyfikacja, optymalizacja). Inżynier będzie odpowiedzialny za pełen cykl życia modeli — od architektury, przez trenowanie, aż po deployment w bezpiecznym środowisku on-premise z wykorzystaniem Docker/Kubernetes i MLOps.
Brakuje: nie podano wielkości zespołu ani struktury, brak informacji o procesie rekrutacyjnym (etapy, zadanie domowe).
Rola polega na prowadzeniu rozwoju i wdrażania zaawansowanych modeli AI w dwóch strategicznych inicjatywach: NLP dla inteligencji dokumentacyjnej (LLM, RAG, przetwarzanie regulacyjnych tekstów) oraz analityce predykcyjnej dla łańcucha dostaw (prognozowanie szeregów czasowych, klasyfikacja, optymalizacja). Inżynier będzie odpowiedzialny za pełen cykl życia modeli — od architektury, przez trenowanie, aż po deployment w bezpiecznym środowisku on-premise z wykorzystaniem Docker/Kubernetes i MLOps.
- ✓Praca nad dwoma strategicznymi inicjatywami AI (NLP i analityka predykcyjna)
- ✓Rola w pełni zdalna z elastycznością B2B
- ✓Struktura agile z formalnymi przeglądami – zapewnia organizację i jasne oczekiwania
- ✓Możliwość pracy z nowoczesnymi technologiami (LLM, RAG, Kubeflow)
- !Wdrożenia w środowisku on-premise mogą ograniczać dostęp do chmury i nowoczesnych narzędzi
- !Brak informacji o wielkości zespołu i liczbie projektów, na których będzie pracować inżynier
- !Firma outsourcingowa – realna praca może odbywać się u klienta, co może wpływać na kulturę i stabilność
- •Projektowanie i fine-tuning pipeline'ów LLM do ekstrakcji reguł z tekstów regulacyjnych (normy, kody budowlane)
- •Implementacja architektur RAG dla semantycznego wyszukiwania w dokumentacji technicznej
- •Optymalizacja promptów (few-shot, chain-of-thought) dla zadań specyficznych domenowo
- •Rozwój modeli predykcyjnych (prognozowanie popytu, klasyfikacja ryzyka dostawców) z wykorzystaniem danych ERP i sygnałów rynkowych
- •Konteneryzacja modeli (Docker, Kubernetes) i wdrażanie w środowiskach on-premise
- •Budowa zautomatyzowanych pipeline'ów treningowych i inferencyjnych (Kubeflow, MLflow)
- •Monitorowanie dryfu modeli i wydajności w produkcji, ustanawianie pętli informacji zwrotnej
- •Współpraca z Data Scientistami, Inżynierami Backend i Ekspertami Domenowymi w ramach zwinnych sprintów
Oferta dla doświadczonych specjalistów (Senior).
Inżynier ML z co najmniej 5 latami doświadczenia w wdrażaniu modeli w produkcji, solidną znajomością transformerów i MLOps, gotowy do pracy w środowisku on-premise w domenie regulacyjnej/supply chain.
Osoby z mniej niż 5 latami doświadczenia w ML Engineering, które nie mają praktyki z LLM, Docker/Kubernetes lub wdrażaniem modeli w produkcji. Rola wymaga zaawansowanych umiejętności inżynierskich, nie jest dla juniorów ani midów bez odpowiedniego stażu.
- ?Ile osób liczy zespół ML i jakie są role w zespole?
- ?Czy pracujemy bezpośrednio dla klienta, czy na wewnętrzne projekty N-iX?
- ?Jakie są konkretne środowiska on-premise (jakie GPU, ile RAM)?
- ?Czy istnieje możliwość pracy hybrydowej lub zdalnej poza Polską?
- ?Jak wygląda proces weryfikacji modeli przed wdrożeniem – czy są formalne review gates?
- ?Jaka jest polityka dotycząca publikacji wyników lub open source?
- −Nie podano wielkości zespołu ani struktury
- −Brak informacji o procesie rekrutacyjnym (etapy, zadanie domowe)
- −Nie wiadomo, czy rola wiąże się z dyżurami on-call
Praca w zespole zwinym z formalnymi przeglądami, w środowisku wymagającym ścisłej dokumentacji i standardów inżynierskich. Współpraca z Data Scientistami, Backend Engineerami i Ekspertami Domenowymi.
Poniżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię MLOps.