Machine Learning Engineer
⚲ Kraków
20 000 - 27 000 PLN brutto (UoP) | 20 000 - 27 000 PLN netto (B2B)
Wymagania
- min. 3 lata komercyjnego doświadczenia full-stack z udokumentowanym wdrożeniem ML na produkcję
- praktyczne doświadczenie w serwowaniu modeli (serializacja, frameworki servingowe, optymalizacja inferencji)
- biegłość w TypeScript i Python
- doświadczenie z architekturą mikroserwisową, brokerami wiadomości (np. Kafka) i frameworkami async
- solidna znajomość React (hooks, context, state management)
- doświadczenie z Dockerem i orkiestracją kontenerów
- praktyka z CI/CD (GitHub Actions, Jenkins, GitLab CI) i testami automatycznymi (unit, integration, e2e)
- umiejętność tłumaczenia konceptów technicznych interesariuszom nietechnicznym
Opis stanowiska
OneRail rozwija platformę OmniPoint do orkiestracji dostaw dla dużych klientów (Lowe's, Pepsi, Advance Auto Parts). Twoja rola to integracja modeli ML z flagowym produktem — od wdrożenia przez utrzymanie po rozbudowę funkcji AI widocznych dla użytkownika końcowego. W praktyce oznacza to pracę full-stack: budowę mikroserwisów opakowujących logikę ML, projektowanie API pod niskolatencyjne wnioskowanie oraz modyfikację komponentów React. To oferta dla inżyniera, który swobodnie porusza się między data science a produkcją i nie boi się optymalizacji wydajności modeli w czasie rzeczywistym.
🔍 Dekoder Ogłoszenia
🟡
bridge the gap between data science and production software
Oznacza, że będziesz odpowiedzialny za praktyczne wdrożenie modeli ML, a nie tylko za ich teoretyczne tworzenie.
🟡
implementing, deploying, and maintaining ML-powered features
Może oznaczać, że będziesz zajmował się całym cyklem życia modelu, od wdrożenia po bieżące utrzymanie i ewentualne poprawki.
🟡
contributing to back-end services and React-based front-end components
Oprócz stricte ML, będziesz musiał pracować również nad innymi częściami aplikacji, co może wymagać szerszego zakresu umiejętności.
🟡
productionize prototypes
Oznacza przekształcanie eksperymentalnych modeli lub rozwiązań w stabilne, działające w środowisku produkcyjnym funkcje.
🟡
ensuring they support low-latency, high-throughput ML inference
Wymaga optymalizacji API pod kątem szybkości i wydajności, co może być wyzwaniem w przypadku złożonych modeli ML.