AI/ML Engineer (Custom Models, NLP, Python)
GRANTBOT.AI SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
⚲ Gdynia, Redłowo
18 000–25 000 zł netto (+ VAT) / mies.
Wymagania
- Python
- AI/ML
Opis stanowiska
Nasze wymagania:
3–5+ lat doświadczenia w Pythonie
Doświadczenie z ML / AI w praktyce (nie tylko API)
Znajomość PyTorch lub TensorFlow
Doświadczenie z NLP (tekst, embeddings, klasyfikacja, similarity)
Praca z danymi: preprocessing, feature engineering, datasety
Umiejętność trenowania / fine-tuningu modeli
Doświadczenie z API (FastAPI / Flask / podobne)
Samodzielność i ownership
Mile widziane:
Doświadczenie z HuggingFace (transformers, datasets)
Fine-tuning LLM (LoRA, PEFT itp.)
Doświadczenie z RAG (embeddings, retrieval)
Vector DB (MongoDB Atlas / Qdrant / Pinecone / Redis)
Doświadczenie z GCP / Docker / CI/CD
Budowa systemów produkcyjnych z modelami ML
O projekcie:
Grantbot.ai to firma rozwijająca platformę AI do automatyzacji procesu pozyskiwania dotacji i grantów. Narzędzie wspiera użytkowników w wyszukiwaniu odpowiednich programów finansowania oraz w przygotowywaniu wniosków i biznesplanów, kierując ofertę m.in. do startupów, firm doradczych i instytucji publicznych.
Zakres obowiązków:
Szukamy osoby, która pomoże nam zbudować własne modele AI i przewagę technologiczną (IP) w obszarze wniosków o dotacje.
Nie jesteśmy kolejnym wrapperem na OpenAI - rozwijamy system, który:
- uczy się na tysiącach wniosków i danych
- analizuje jakość i poprawność aplikacji
- automatycznie generuje i waliduje dokumenty
Twoją rolą będzie przejście od LLM + RAG → własne modele i pipeline’y ML.
- Budowa i rozwój modeli ML/NLP na danych grantowych (klasyfikacja, scoring, extraction, rekomendacje)
- Tworzenie i trenowanie modeli (PyTorch / HuggingFace / inne)
- Przygotowanie datasetów: czyszczenie, augmentacja, labeling
- Projektowanie pipeline’ów ML (trening, ewaluacja, iteracja)
- Rozwój i optymalizacja istniejących pipeline’ów RAG
- Eksperymenty z fine-tuningiem modeli (LLM / mniejsze modele)
- Integracja modeli z backendem (FastAPI, inference endpoints)
- Monitorowanie jakości modeli i iteracyjne ulepszanie (feedback loop)
- Współpraca przy budowie architektury AI i długoterminowego I
Oferujemy:
Startupowy klimat: szybkie iteracje, realny wpływ na produkt
Budujemy coś więcej niż integrację API — tworzymy własną technologię
Preferujemy pracę hybrydową (Trójmiasto)
Duża autonomia i wpływ na decyzje technologiczne
Realny wpływ na architekturę AI i rozwój produktu
Możliwość budowy własnych modeli i IP (nie tylko integracji API)
Bliską współpracę z founderem i zespołem
Budujesz coś, co realnie zarabia i ma rynek
Masz dostęp do unikalnych danych (wnioski, scoring, walidacje)
Tworzysz system, który może być defensywnym moat’em technologiczno-danych
3–5+ lat doświadczenia w Pythonie
Doświadczenie z ML / AI w praktyce (nie tylko API)
Znajomość PyTorch lub TensorFlow
Doświadczenie z NLP (tekst, embeddings, klasyfikacja, similarity)
Praca z danymi: preprocessing, feature engineering, datasety
Umiejętność trenowania / fine-tuningu modeli
Doświadczenie z API (FastAPI / Flask / podobne)
Samodzielność i ownership
Mile widziane:
Doświadczenie z HuggingFace (transformers, datasets)
Fine-tuning LLM (LoRA, PEFT itp.)
Doświadczenie z RAG (embeddings, retrieval)
Vector DB (MongoDB Atlas / Qdrant / Pinecone / Redis)
Doświadczenie z GCP / Docker / CI/CD
Budowa systemów produkcyjnych z modelami ML
O projekcie:
Grantbot.ai to firma rozwijająca platformę AI do automatyzacji procesu pozyskiwania dotacji i grantów. Narzędzie wspiera użytkowników w wyszukiwaniu odpowiednich programów finansowania oraz w przygotowywaniu wniosków i biznesplanów, kierując ofertę m.in. do startupów, firm doradczych i instytucji publicznych.
Zakres obowiązków:
Szukamy osoby, która pomoże nam zbudować własne modele AI i przewagę technologiczną (IP) w obszarze wniosków o dotacje.
Nie jesteśmy kolejnym wrapperem na OpenAI - rozwijamy system, który:
- uczy się na tysiącach wniosków i danych
- analizuje jakość i poprawność aplikacji
- automatycznie generuje i waliduje dokumenty
Twoją rolą będzie przejście od LLM + RAG → własne modele i pipeline’y ML.
- Budowa i rozwój modeli ML/NLP na danych grantowych (klasyfikacja, scoring, extraction, rekomendacje)
- Tworzenie i trenowanie modeli (PyTorch / HuggingFace / inne)
- Przygotowanie datasetów: czyszczenie, augmentacja, labeling
- Projektowanie pipeline’ów ML (trening, ewaluacja, iteracja)
- Rozwój i optymalizacja istniejących pipeline’ów RAG
- Eksperymenty z fine-tuningiem modeli (LLM / mniejsze modele)
- Integracja modeli z backendem (FastAPI, inference endpoints)
- Monitorowanie jakości modeli i iteracyjne ulepszanie (feedback loop)
- Współpraca przy budowie architektury AI i długoterminowego I
Oferujemy:
Startupowy klimat: szybkie iteracje, realny wpływ na produkt
Budujemy coś więcej niż integrację API — tworzymy własną technologię
Preferujemy pracę hybrydową (Trójmiasto)
Duża autonomia i wpływ na decyzje technologiczne
Realny wpływ na architekturę AI i rozwój produktu
Możliwość budowy własnych modeli i IP (nie tylko integracji API)
Bliską współpracę z founderem i zespołem
Budujesz coś, co realnie zarabia i ma rynek
Masz dostęp do unikalnych danych (wnioski, scoring, walidacje)
Tworzysz system, który może być defensywnym moat’em technologiczno-danych
🔍 Dekoder Ogłoszenia
🟡
Doświadczenie z ML / AI w praktyce (nie tylko API)
Oczekują od kandydata faktycznego tworzenia i trenowania modeli, a nie tylko integracji gotowych rozwiązań.
🔴
Samodzielność i ownership
Oczekują, że kandydat będzie brał pełną odpowiedzialność za swoje zadania i projekty, często bez szczegółowego nadzoru.
🟢
Nie jesteśmy kolejnym wrapperem na OpenAI
Podkreślają, że chcą budować własne, unikalne rozwiązania, a nie tylko wykorzystywać istniejące modele jako 'czarną skrzynkę'.
🟡
Twoją rolą będzie przejście od LLM + RAG → własne modele i pipeline’y ML.
Oznacza to, że początkowo mogą wykorzystywać istniejące technologie, ale celem jest stworzenie czegoś własnego, co wymaga głębszego zaangażowania w rozwój od podstaw.
🟡
Budowa systemów produkcyjnych z modelami ML
Oczekują doświadczenia w wdrażaniu modeli ML do środowiska produkcyjnego, co często wiąże się z wyzwaniami związanymi ze skalowalnością, niezawodnością i monitorowaniem.