AI Engineer
⚲ Warszawa
14 000 - 17 000 PLN brutto (UoP)
Wymagania
- min. 2 lata praktycznego doświadczenia jako AI Engineer, MLOps Engineer lub Data Scientist przy rozwiązaniach produkcyjnych
- praktyczna wiedza z Generative AI, architektury RAG, Prompt Engineeringu, fine-tuningu oraz frameworków (LangChain, CrewAI, ADK, AutoGen, Semantic Kernel)
- bardzo dobra znajomość Pythona oraz standardowego stosu ML (PyTorch, NumPy, Pandas, Scikit-learn)
- praktyczne doświadczenie z Google Cloud lub Azure w obszarze usług danych i AI
- znajomość dobrych praktyk dev (Git, Docker, Kubernetes, CI/CD, REST APIs)
- bardzo dobra znajomość języka polskiego i angielskiego (w mowie i piśmie)
Mile widziane
- certyfikaty chmurowe z obszaru AI/ML (np. Google Cloud Professional ML Engineer, Azure AI Engineer Associate)
Opis stanowiska
Rola AI Engineer w firmie świadczącej usługi chmurowe dla klientów zewnętrznych, na poziomie intermediate. W praktyce będziesz głównie analizować potrzeby klientów, przekładać wymagania biznesowe na architekturę AI i wspierać zespoły konsultingowe oraz architektoniczne — to rola bardziej doradczo-wspierająca niż samodzielne budowanie modeli od zera. Dobra oferta dla osoby, która łączy kompetencje techniczne z umiejętnością rozmowy z biznesem i chce pracować w środowisku usługowym (Google Cloud, Azure).
🔍 Dekoder Ogłoszenia
🔴
wsparcie zespołów konsultingowych i architektonicznych
Może oznaczać, że będziesz musiał tłumaczyć techniczne aspekty AI na język biznesowy dla osób nietechnicznych, a niekoniecznie głębokie projektowanie architektury.
🔴
wspieranie przy tworzeniu, wdrażaniu i skalowaniu aplikacji
Twoja rola może być bardziej pomocnicza niż samodzielna w procesie tworzenia i wdrażania, z naciskiem na wsparcie istniejących procesów.
🟡
Poziom stanowiska: Intermediate
Oczekuje się samodzielności w wykonywaniu zadań, ale niekoniecznie inicjatywy w definiowaniu nowych kierunków rozwoju projektów AI.
🔴
analizowanie potrzeb klientów w kontekście wdrażania projektów ML/AI
Może oznaczać, że będziesz głównie zbierać wymagania i identyfikować potencjalne zastosowania AI, a niekoniecznie budować modele od podstaw.
🟡
klasycznym Machine Learningu
Oprócz nowoczesnych technologii GenAI i LLM, może być wymagane również doświadczenie w bardziej tradycyjnych, być może mniej ekscytujących, zadaniach ML.