Tech Lead
Cosmose AI
Rola Tech Lead w zespole rekomendacji (Recommendation Systems) w startupie Cosmose AI. Osoba na tym stanowisku będzie liderem technicznym zespołu odpowiedzialnego za budowę i rozwój systemów rekomendacji na dużą skalę, które personalizują treści dla milionów użytkowników. Połączenie roli lidera inżynieryjnego i badawczego: definiowanie misji zespołu, roadmapy, projektowanie i wdrażanie modeli ML, współpraca z zespołami produktowymi i data science, a także mentoring inżynierów i rekrutacja. Kontekst startupowy – szybkie tempo, duża skala, światowej klasy zespół.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: nie podano wielkości zespołu ani liczby bezpośrednich podwładnych, brak opisu procesu rekrutacyjnego (liczba etapów, zadania).
Rola Tech Lead w zespole rekomendacji (Recommendation Systems) w startupie Cosmose AI. Osoba na tym stanowisku będzie liderem technicznym zespołu odpowiedzialnego za budowę i rozwój systemów rekomendacji na dużą skalę, które personalizują treści dla milionów użytkowników. Połączenie roli lidera inżynieryjnego i badawczego: definiowanie misji zespołu, roadmapy, projektowanie i wdrażanie modeli ML, współpraca z zespołami produktowymi i data science, a także mentoring inżynierów i rekrutacja. Kontekst startupowy – szybkie tempo, duża skala, światowej klasy zespół.
- ✓Opcje na akcje (stock options)
- ✓Płaska struktura organizacyjna
- ✓Zespół złożony z byłych pracowników FAANG i mistrzów programowania (ACM ICPC)
- ✓Startupowa kultura z dużą skalą (globalny produkt, miliony użytkowników)
- ✓Możliwość kształtowania zespołu i technologii
- !Brak informacji o wielkości zespołu i liczbie raportujących osób
- !Nie podano szczegółów procesu rekrutacyjnego
- !Brak wzmianki o on-call/dyżurach
- !Nie określono konkretnych bibliotek ML (tylko ogólnie 'ML libraries')
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Definiowanie roadmapy i misji zespołu rekomendacji
- •Projektowanie i wdrażanie modeli ML (np. systemy rekomendacji) w Pythonie
- •Współpraca z zespołami produktowymi, inżynieryjnymi i data science nad identyfikacją problemów i rozwiązań
- •Przekształcanie pomysłów badawczych w rozwiązania produkcyjne z naciskiem na wydajność, skalowalność i niezawodność
- •Mentoring i rozwój inżynierów w zespole
- •Udział w procesie rekrutacji i kształtowaniu składu zespołu
- •Śledzenie najnowszych badań ML i wdrażanie ich do systemów rekomendacji
Stanowisko liderskie — wymaga zarówno doświadczenia technicznego jak i umiejętności zarządzania.
Senior inżynier ML (5+ lat) z udokumentowanym doświadczeniem w systemach rekomendacji i choć minimalnym doświadczeniem w prowadzeniu zespołów (np. tech lead małego zespołu). Musi swobodnie poruszać się w Pythonie i bibliotekach ML, mieć startupową mentalność i dobrze komunikować się po polsku i angielsku.
Nie dla juniorów, mid-leveli (poniżej 5 lat) ani osób bez doświadczenia w systemach rekomendacji. Rola wymaga połączenia umiejętności liderskich i technicznych – nie jest to czysto managerska ani czysto developerska pozycja.
- ?Ile osób liczy obecnie zespół rekomendacji i ile osób będę bezpośrednio zarządzać?
- ?Jaki jest konkretny stos bibliotek ML używanych w produkcji (np. TensorFlow, PyTorch, scikit-learn)?
- ?Jak wygląda proces wdrożenia modeli do produkcji (MLOps)?
- ?Czy są dyżury on-call i jak często?
- ?Jaki jest horyzont czasowy dla stock options (vesting schedule)?
- ?Jakie są największe wyzwania techniczne w obecnym systemie rekomendacji?
- ?Czy istnieje budżet na konferencje/szkolenia?
- −Nie podano wielkości zespołu ani liczby bezpośrednich podwładnych
- −Brak opisu procesu rekrutacyjnego (liczba etapów, zadania)
- −Nie wiadomo, czy istnieją dyżury on-call
- −Nie sprecyzowano konkretnych bibliotek ani frameworków ML
- −Brak informacji o budżecie szkoleniowym
Zespół składa się z byłych pracowników FAANG i mistrzów programowania (ACM ICPC), panuje płaska struktura, startupowa atmosfera z dużym naciskiem na jakość, szybkość i innowację. Kultura uczenia się i współpracy.