Team Lead (Machine Learning / Data Science)
TQLO
Rola polega na kierowaniu zespołem Data Science odpowiedzialnym za rozwój modeli scoringowych (CTR, CVR, RoAS) dla systemów reklamowych dużej platformy e-commerce. Kluczowym wyzwaniem jest transformacja architektury z tradycyjnych modeli ML (drzewa decyzyjne, gradient boosting) na nowoczesne rozwiązania oparte na sieciach neuronowych. Obejmuje zarządzanie zespołem, definiowanie kierunku technologicznego oraz nadzór nad pełnym cyklem życia modeli – od przygotowania danych po wdrożenie produkcyjne. Rola łączy aspekty techniczne (architektura, deep learning) z odpowiedzialnością menedżerską i współpracą ze stakeholderami na poziomie dyrektorskim.
Brakuje: nie podano wielkości zespołu do prowadzenia, brak informacji o procesie rekrutacyjnym (liczba etapów, czas oczekiwania).
Rola polega na kierowaniu zespołem Data Science odpowiedzialnym za rozwój modeli scoringowych (CTR, CVR, RoAS) dla systemów reklamowych dużej platformy e-commerce. Kluczowym wyzwaniem jest transformacja architektury z tradycyjnych modeli ML (drzewa decyzyjne, gradient boosting) na nowoczesne rozwiązania oparte na sieciach neuronowych. Obejmuje zarządzanie zespołem, definiowanie kierunku technologicznego oraz nadzór nad pełnym cyklem życia modeli – od przygotowania danych po wdrożenie produkcyjne. Rola łączy aspekty techniczne (architektura, deep learning) z odpowiedzialnością menedżerską i współpracą ze stakeholderami na poziomie dyrektorskim.
- ✓Realny wpływ na architekturę ML – transformacja z klasycznych modeli na deep learning (greenfield w zakresie sieci neuronowych)
- ✓Widoczność na poziomie dyrektorskim – bezpośrednie raportowanie do Director
- ✓Długoterminowy projekt z perspektywą rozwoju zakresu odpowiedzialności
- ✓Wysoka stawka B2B (180-205 PLN/h) adekwatna do poziomu seniority
- !Outsourcing przez agencję (TQLO) – projekt długoterminowy, ale nie będący bezpośrednim zatrudnieniem u klienta
- !Nazwa klienta nieujawniona – brak możliwości weryfikacji kultury i stabilności projektu
- !Niejasny podział na obowiązki menedżerskie i techniczne – czy rola jest w 100% managerska, czy wymaga też codziennego kodowania?
- •Prowadzenie zespołu Data Science (4-8 osób) – przydział zadań, mentoring, oceny okresowe
- •Definiowanie roadmapy technicznej dla modeli scoringowych w obszarze reklamy
- •Nadzór nad pełnym lifecycle modeli ML: feature engineering, trening, walidacja, kalibracja, rollout
- •Współpraca z zespołami backendowymi i produktowymi przy integracji modeli w systemie aukcyjnym
- •Prezentowanie decyzji technicznych i postępów projektu na poziomie dyrektorskim
- •Orkiestracja przekazywania odpowiedzialności za modele pomiędzy zespołami
- •Weryfikacja metryk biznesowych (revenue, GMV, conversion) oraz analiza eksperymentów A/B
Stanowisko liderskie — wymaga zarówno doświadczenia technicznego jak i umiejętności zarządzania.
Senior Data Scientist z 8+ latami doświadczenia, który miał okazję prowadzić mały zespół (nawet nieformalnie), bardzo dobrze zna Python/SQL i frameworki DL, ma doświadczenie w GCP i zarządzaniu lifecyclem ML. Jest gotowy na przejście w rolę stricte managerską przy zachowaniu technicznego wkładu.
Nie dla osób z mniej niż 8 latami doświadczenia w ML/DS, zwłaszcza bez doświadczenia w zarządzaniu zespołem. Rola wymaga umiejętności łączenia wizji technicznej z zarządzaniem ludźmi i komunikacją na poziomie dyrektorskim.
- ?Ile osób liczy obecny zespół Data Science, którym mam kierować?
- ?Jaki jest obecny stack modeli reklamowych – czy istnieją już modele deep learningowe, czy to całkowity greenfield?
- ?Jakie są główne wyzwania w transformacji z gradient boostingu na sieci neuronowe?
- ?Czy rola wymaga codziennego pisania kodu, czy raczej wyłącznie zarządzania i architektury?
- ?Jak wygląda współpraca z zespołami platformowymi (ML Engineering) – czy są dedykowani do wsparcia inference?
- ?Czy istnieje dyżur on-call dla modeli produkcyjnych?
- ?Jaki jest budżet na szkolenia lub konferencje dla zespołu?
- ?Jak mierzona jest skuteczność modeli (oprócz metryk biznesowych) – czy są ustalone SLA?
- −Nie podano wielkości zespołu do prowadzenia
- −Brak informacji o procesie rekrutacyjnym (liczba etapów, czas oczekiwania)
- −Nie wiadomo, czy rola wymaga codziennego kodowania (hands-on), czy czystego zarządzania
- −Nieznana nazwa klienta – utrudnia ocenę kultury i stabilności
Zespół jest doświadczony, skoncentrowany na innowacjach ML i współpracy z inżynierią oraz produktem. Rola oferuje autonomię i wysoką widoczność, a kultura opiera się na merytorycznej dyskusji i podejmowaniu decyzji w oparciu o dane.
Powyżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię Data Science. Pełne statystyki zarobków →