Machine Learning Engineer
⚲ Warszawa, Śródmieście
Do uzgodnienia
Wymagania
- Python
- LLM/GenAI
- RAG
- bazy wektorowe
- Microsoft Azure
- pgvector
- FastAPI
Opis stanowiska
Nasze wymagania:
Produkcyjne doświadczenie z modelami językowymi (LLM/GenAI), nie tylko eksperymenty
RAG w praktyce: retrieval, embeddingi, bazy wektorowe (pgvector lub podobne)
Python
Ewaluacja jakości modeli (metryki retrieval, ocena typu LLM-as-judge)
Guardrails / ochrona przed obejściem zabezpieczeń
Samodzielność i komfort pracy w małym, senioralnym zespole
Mile widziane:
RODO / praca z danymi wrażliwymi w AI
Azure OpenAI
Prompt engineering na poziomie produkcyjnym
Doświadczenie z e-learningiem lub ochroną treści cyfrowych
O projekcie:
Budujemy warstwę AI nakładaną na istniejącą platformę kursów online (nie samą platformę). Dokładamy asystenta AI w kursie, wirtualnego przewodnika, wyszukiwanie semantyczne i ochronę płatnej wiedzy. Skala umiarkowana (500-2000 użytkowników), region EU, zgodność z RODO i AI Act. To zlecenie do realizacji konkretnego projektu, z możliwością przedłużenia na kolejny etap.
Zakres obowiązków:
Projekt i wdrożenie wyszukiwania semantycznego (RAG) po treści kursów
Budowa ochrony wiedzy metodą permission-aware retrieval - model nie dostaje treści, do których użytkownik nie ma dostępu
Chunking, embeddingi, dobór i strojenie modeli (Azure OpenAI)
Projektowanie promptów i osobowości asystenta, guardrails, obsługa sytuacji "nie wiem"
Budowa zestawu testowego (golden set) i pilnowanie jakości oraz regresji
Współpraca z architektem i inżynierem backendu
Grounding i cytowanie konkretnego momentu w wideo (deep-linki do sekundy)
Anonimizacja danych osobowych (PII) dla języka polskiego - Presidio, własne reguły i NER
Obserwowalność produkcyjna asystenta (trace rozmów, koszt, latencja, feedback)
Oferujemy:
Pełną pracę zdalną
Wynagrodzenie adekwatne do umiejętności i doświadczenia
Pracę nad realnym produktem AI budowanym od zera - warstwa AI (RAG, ochrona wiedzy, asystenci) na działającej platformie, a nie utrzymanie starego kodu
Nowoczesny stack i praca z LLM/GenAI na produkcji: Python, Azure OpenAI, RAG na pgvector
Konkretnie zdefiniowany projekt - gotowa architektura, roadmapa i zakres, więc wiadomo, co się buduje i po co
Realne wyzwanie techniczne: ochrona płatnej wiedzy w systemach GenAI to nietrywialny, ciekawy problem, nie kolejny prosty czat
Mały, senioralny zespół i krótka ścieżka decyzyjna - bezpośredni kontakt z architektem i osobami decyzyjnymi
Elastyczne godziny pracy (rozliczenie zadaniowe)
Możliwość przedłużenia współpracy na kolejny etap projektu
Produkcyjne doświadczenie z modelami językowymi (LLM/GenAI), nie tylko eksperymenty
RAG w praktyce: retrieval, embeddingi, bazy wektorowe (pgvector lub podobne)
Python
Ewaluacja jakości modeli (metryki retrieval, ocena typu LLM-as-judge)
Guardrails / ochrona przed obejściem zabezpieczeń
Samodzielność i komfort pracy w małym, senioralnym zespole
Mile widziane:
RODO / praca z danymi wrażliwymi w AI
Azure OpenAI
Prompt engineering na poziomie produkcyjnym
Doświadczenie z e-learningiem lub ochroną treści cyfrowych
O projekcie:
Budujemy warstwę AI nakładaną na istniejącą platformę kursów online (nie samą platformę). Dokładamy asystenta AI w kursie, wirtualnego przewodnika, wyszukiwanie semantyczne i ochronę płatnej wiedzy. Skala umiarkowana (500-2000 użytkowników), region EU, zgodność z RODO i AI Act. To zlecenie do realizacji konkretnego projektu, z możliwością przedłużenia na kolejny etap.
Zakres obowiązków:
Projekt i wdrożenie wyszukiwania semantycznego (RAG) po treści kursów
Budowa ochrony wiedzy metodą permission-aware retrieval - model nie dostaje treści, do których użytkownik nie ma dostępu
Chunking, embeddingi, dobór i strojenie modeli (Azure OpenAI)
Projektowanie promptów i osobowości asystenta, guardrails, obsługa sytuacji "nie wiem"
Budowa zestawu testowego (golden set) i pilnowanie jakości oraz regresji
Współpraca z architektem i inżynierem backendu
Grounding i cytowanie konkretnego momentu w wideo (deep-linki do sekundy)
Anonimizacja danych osobowych (PII) dla języka polskiego - Presidio, własne reguły i NER
Obserwowalność produkcyjna asystenta (trace rozmów, koszt, latencja, feedback)
Oferujemy:
Pełną pracę zdalną
Wynagrodzenie adekwatne do umiejętności i doświadczenia
Pracę nad realnym produktem AI budowanym od zera - warstwa AI (RAG, ochrona wiedzy, asystenci) na działającej platformie, a nie utrzymanie starego kodu
Nowoczesny stack i praca z LLM/GenAI na produkcji: Python, Azure OpenAI, RAG na pgvector
Konkretnie zdefiniowany projekt - gotowa architektura, roadmapa i zakres, więc wiadomo, co się buduje i po co
Realne wyzwanie techniczne: ochrona płatnej wiedzy w systemach GenAI to nietrywialny, ciekawy problem, nie kolejny prosty czat
Mały, senioralny zespół i krótka ścieżka decyzyjna - bezpośredni kontakt z architektem i osobami decyzyjnymi
Elastyczne godziny pracy (rozliczenie zadaniowe)
Możliwość przedłużenia współpracy na kolejny etap projektu
🔍 Dekoder Ogłoszenia
🔴
Produkcyjne doświadczenie z modelami językowymi (LLM/GenAI), nie tylko eksperymenty
Oczekują, że kandydat potrafi wdrażać i utrzymywać modele LLM w działającym systemie, a nie tylko je testować.
🔴
Samodzielność i komfort pracy w małym, senioralnym zespole
Może oznaczać brak ścisłego nadzoru, ale też potencjalnie mniejszą ilość wsparcia i konieczność samodzielnego rozwiązywania problemów.
🔴
To zlecenie do realizacji konkretnego projektu, z możliwością przedłużenia na kolejny etap.
Pierwotnie jest to projekt na określony czas, a dalsze zatrudnienie zależy od sukcesu i decyzji firmy.
🟡
Skala umiarkowana (500-2000 użytkowników)
System nie będzie obciążony dużą liczbą użytkowników, co może oznaczać mniejsze wyzwania związane ze skalowalnością.
🔴
Grounding i cytowanie konkretnego momentu w wideo (deep-linki do sekundy)
Wymagane jest precyzyjne powiązanie odpowiedzi AI z konkretnym fragmentem materiału wideo, co może być technicznie złożone.