AI Developer
⚲ Warszawa
160–220 zł netto (+ VAT) / godz.
Wymagania
- min. 3 lata doświadczenia jako AI Engineer / AI Developer lub w podobnej roli
- min. 1 rok przy produkcyjnych wdrożeniach AI
- doświadczenie z GenAI, LLM, RAG, Agentic AI i ewaluacją jakości modeli
- praktyczna znajomość Azure AI Foundry, Azure Machine Learning, Azure AI Search i Azure OpenAI
- doświadczenie z MLOps/LLMOps (Azure ML Pipelines, MLflow, Docker, Kubernetes/AKS, Terraform, CI/CD dla modeli)
- praca hybrydowa — 3 dni w tygodniu w biurze w Warszawie
Mile widziane
- znajomość AI Governance i AI Act
- certyfikaty Microsoft Azure (DP-100, AI-102, AI-900)
Opis stanowiska
Projekt w obszarze obsługi szkód i świadczeń dla klienta z branży ubezpieczeniowej — budowa i wdrażanie rozwiązań AI/ML oraz GenAI na Microsoft Azure, praca z LLM, RAG i Agentic AI, wsparcie MLOps/LLMOps oraz integracja z systemami biznesowymi. Dobra dla kogoś, kto ma już produkcyjne doświadczenie z AI i chce pracować w dużym, regulowanym środowisku. Uwaga: wymagania opisane są szeroko ('praktyczna znajomość', 'doświadczenie z') — warto dopytać na rozmowie, czy oczekiwana jest biegłość, czy tylko podstawowa orientacja w narzędziach.
🔍 Dekoder Ogłoszenia
🔴
Min. 3 lata doświadczenia jako AI Engineer / AI Developer lub w podobnej roli, w tym min. 1 rok przy wdrożeniach produkcyjnych.
Może oznaczać, że szukają kogoś z 3-letnim doświadczeniem, ale faktycznie wystarczy 1 rok doświadczenia w produkcyjnych wdrożeniach, jeśli reszta doświadczenia jest 'podobna'.
🔴
Praktyczna znajomość Microsoft Azure, w szczególności Azure AI Foundry, Azure Machine Learning, Azure AI Search oraz Azure OpenAI.
Wymagają 'praktycznej znajomości', co może oznaczać zarówno głębokie zrozumienie, jak i powierzchowne zapoznanie się z narzędziami.
🔴
Doświadczenie z MLOps / LLMOps: Azure ML Pipelines, MLflow, Docker, Kubernetes/AKS, Terraform oraz CI/CD dla modeli AI.
Lista narzędzi jest długa; 'doświadczenie z' może oznaczać zarówno biegłość, jak i jedynie zapoznanie się z nimi.
🔴
Znajomość Git, GitHub, GitHub Actions, Azure DevOps, a także Branching Strategy i Release Management.
Podobnie jak w przypadku MLOps, szeroki zakres technologii może oznaczać, że oczekują podstawowej wiedzy z wielu obszarów, a nie eksperckiej z jednego.
🔴
Rola obejmuje projektowanie, rozwój
To bardzo ogólne stwierdzenie, które może oznaczać szeroki zakres obowiązków, od koncepcyjnych po implementacyjne, bez precyzyjnego określenia zakresu odpowiedzialności.