Regular Data Scientist
⚲ Bydgoszcz, Warszawa
16 800 - 21 840 PLN netto (B2B)
Wymagania
- min. 3 lata doświadczenia komercyjnego jako Data Scientist, Machine Learning Engineer lub w pokrewnej roli
- głębokie rozumienie zasad uczenia maszynowego
- doświadczenie w co najmniej jednym z kluczowych obszarów: Computer Vision (detekcja, segmentacja) lub Time Series Analysis (forecasting)
- znajomość dobrych praktyk inżynierii oprogramowania (Git, Docker, podstawy CI/CD)
- bardzo dobra znajomość języka angielskiego (B2/C1)
Mile widziane
- doświadczenie z Edge AI (optymalizacja modeli na Nvidia Jetson, Raspberry Pi, Hailo, Coral TPU; TensorRT, ONNX)
- doświadczenie w analizie i przetwarzaniu audio/NLP
- znajomość narzędzi MLOps (MLflow, KubeFlow, DVC, Weights & Biases)
Opis stanowiska
Rola w centrum R&D InTechHouse — praca nad projektami AI w obszarach Computer Vision/Edge AI, NLP/Audio, Predictive Analytics/Time Series, Data Mining/Optymalizacja lub Anomaly Detection. Będziesz analizować i przygotowywać zróżnicowane dane (obrazy, audio, tekst, sensory), trenować i ewaluować modele ML/DL oraz współpracować z inżynierami hardware i software przy wdrażaniu modeli na urządzenia edge i do chmury. Uwaga: ogłoszenie wymienia wiele obszarów naraz — realnie możesz trafić na jeden wąski temat, a nie na wszystkie jednocześnie.
🔍 Dekoder Ogłoszenia
🟡
a place full of passion, mutual inspiration and challenges
Ogólnikowy wstęp employer-brandingowy — nie mówi nic o realiach pracy, warto dopytać o rotację i styl zarządzania.
🟡
Join us!
Brak konkretów o zespole, wynagrodzeniu czy procesie — typowe wezwanie do aplikowania bez dodatkowej informacji.
🔴
advanced AI projects
Szeroki zakres obszarów (CV, NLP, audio, time series, anomalie) może oznaczać, że faktycznie zajmiesz się jednym wąskim tematem, a nie wszystkim naraz.
🟡
state-of-the-art machine learning and deep learning models
Brzmi prestiżowo, ale w praktyce często oznacza korzystanie z gotowych modeli/bibliotek, a nie prowadzenie badań.
🟡
deploy models to edge
Praca z hardware może oznaczać dodatkowe obowiązki inżynierskie poza czystym data science.