Senior AI / ML / Data Science Engineer

• Doświadczenie zawodowe: Od 3 do 7 lat doświadczenia w obszarze Data Science i Machine Learning (mile widziane wykształcenie wyższe lub stopień doktora).
• Specjalizacja techniczna: Głęboka wiedza z zakresu NLP (BERT, GPT, Transformery), Deep Learningu oraz technik Generative AI.
• Biegłość w programowaniu: Bardzo dobra znajomość języka Python lub R oraz frameworków takich jak TensorFlow lub PyTorch.
• Kompetencje Data Engineering: Umiejętność czyszczenia i wstępnego przetwarzania danych oraz doświadczenie w pracy z platformami chmurowymi (Azure, AWS lub GCP).
• Umiejętności analityczne: Zdolność do przekładania złożonych problemów biznesowych na konkretne rozwiązania techniczne oraz doskonała komunikacja z interesariuszami.

Mile widziane:

• Praktyczna znajomość metodyk MLOps i DevOps (Docker, Kubernetes, Git, CI/CD).
• Doświadczenie w optymalizacji matematycznej (np. Programowanie Mieszano-całkowitoliczbowe – MIP).
• Umiejętność stosowania zasad Infrastructure as Code (Terraform, CloudFormation).
• Wiedza z zakresu Computer Vision (rozpoznawanie obrazów, detekcja obiektów).
• Doświadczenie w monitorowaniu modeli AI i wdrażaniu zasad Trusted AI (sprawiedliwość i przejrzystość modeli).

• Obszar: Consulting IT
• Lokalizacja: 100% zdalnie
• Start: ASAP (akceptujemy kandydatury z max 2msc okresem wypowiedzenia)
• Stawka (ustalana indywidualnie): 185 - 205 PLN netto + VAT / h
• Zaangażowanie: B2B (outsourcing z 1dea), full-time, długofalowo

Proces rekrutacyjny (100% zdalnie):

• Krótka rozmowa telefoniczna informacyjno-zapoznawcza z rekruterem 1dea (~10 min)
• Weryfikacja techniczno-projektowa z Klientem (~1 - 1,5 h)
• (Jeśli OK) Rozmowa zapoznawcza z przedstawicielem projektu u Klienta końcowego (~ 30 min)
• Decyzja o podjęciu współpracy

Zakres obowiązków:

• Projektowanie i wdrażanie zaawansowanych systemów opartych na modelach językowych (LLM) oraz integracja z platformami takimi jak Azure OpenAI czy Hugging Face.
• Implementacja i optymalizacja procesów end-to-end dla projektów AI, w tym wykorzystanie baz wektorowych (np. Redis) oraz NoSQL do wydajnego przetwarzania danych.
• Prowadzenie badań nad transfer learningiem, adaptacją domenową oraz kompresją modeli w celu zwiększenia wydajności systemów AI.
• Identyfikacja potrzeb biznesowych we współpracy z interesariuszami oraz definiowanie metryk jakości i spójności generowanych wyników.
• Przygotowywanie (czyszczenie, kuratela) wielkoskalowych zbiorów danych oraz dbanie o prywatność, bezpieczeństwo i etyczne aspekty wdrażanych modeli.