Machine Learning Engineer (LLM)

Dla jednego z naszych klientów budujemy od podstaw zespół kilkunastu inżynierów specjalizujących się w tworzeniu aplikacji opartych na Generative AI i Machine Learning. To rzadka okazja, żeby dołączyć do zespołu na samym starcie: współtworzyć jego standardy, dobierać narzędzia i mieć realny wpływ na architekturę rozwiązań, które trafią do produkcji.

Szukamy osób, które nie tylko rozumieją modele, ale potrafią zamienić je w działające, skalowalne oprogramowanie.

Zakres odpowiedzialności:

• Trenowanie i dostrajanie modeli LLM (fine-tuning, LoRA/QLoRA, RLHF/DPO) pod konkretne przypadki biznesowe
• Projektowaniem i rozwijaniem systemów RAG oraz pipeline’ów agentowych
• Integracją modeli open-source i komercyjnych API z naszym produktem
• Budową procesów ewaluacji jakości modeli i monitoringu w środowisku produkcyjnym
• Optymalizacją inferencji pod kątem kosztów i opóźnień (kwantyzacja, batching, vLLM/TGI)
• Współpracą z zespołem produktowym i backendowym przy definiowaniu rozwiązań

Proces rekrutacji

1. Krótka rozmowa z rekruterem
2. Rozmowa techniczna z naszym ML Leadem
3. Omówienie case study z prawdziwego problemu, bez zadania domowego na weekend
4. Rozmowa finalna i oferta

Ogólna oferta

• Projekt realizowany zdalnie
• Kontrakt B2B
• Fulltime
• Kompetencje na poziomie mid/senior

Czego oczekujemy

• Minimum 4 lat doświadczenia w ML, w tym co najmniej 1,5 - 2 pracy z LLM w projektach komercyjnych
• Bardzo dobrej znajomości Pythona oraz PyTorch i ekosystemu Hugging Face
• Praktycznego doświadczenia w fine-tuningu modeli i przygotowywaniu danych treningowych
• Doświadczenia z wdrażaniem modeli na produkcję (Docker, Kubernetes, chmura: AWS/GCP/Azure)
• Znajomości baz wektorowych (np. Qdrant, Weaviate, pgvector)
• Umiejętności krytycznej oceny wyników modelu i projektowania sensownych metryk
• Angielskiego na poziomie min. B2/C1

Mile widziane

• Doświadczenie z treningiem rozproszonym (DeepSpeed, FSDP)
• Praca z Google Cloud Vertex AI / Gemini Enterprise Agent Platform (Model Garden, Pipelines, Endpoints)
• Doświadczenie z MLOps (MLflow, Weights & Biases)