Основатель Machine Learning инженер

Что предстоит делать

<p>Присоединяйтесь к <a href="http://Whizdom.ai" target="_blank">Whizdom.ai</a> в качестве Founding Machine Learning Engineer, чтобы проектировать и создавать ключевой интеллект, лежащий в основе всего, что создает компания.</p><h3>О компании:</h3><p>Whizdom AI — это AI-стартап на ранней стадии, создающий продукты в области рекомендательных систем, персонализации и GenAI-агентов. Компания представляет собой небольшую команду, которая напрямую работает над реальными проблемами клиентов, быстро выпускает продукты, измеряет результаты и быстро итерирует. Ожидается, что каждый здесь будет брать на себя ответственность, проактивно улучшать системы и помогать создавать инженерный фундамент, на котором компания будет масштабироваться.</p><h3>Роль:</h3><p>Мы нанимаем Founding Machine Learning Engineer, который будет отвечать за интеллектуальный слой продуктов Whizdom AI. Вы будете проектировать, создавать и улучшать модели и системы принятия решений, лежащие в основе рекомендаций, ранжирования, персонализации, поиска (retrieval), поведения агентов и отдельных случаев использования предиктивной аналитики. Вы будете напрямую работать с основателями, превращая неоднозначные продуктовые идеи в производственные системы, которые создают измеримую ценность для клиента. В команде такого размера это сквозная роль: за одну неделю вы можете заниматься исследованием данных, моделированием, оценкой, экспериментированием и производственной итерацией.</p><p><strong>Это не чисто исследовательская роль.</strong> Мы ценим людей, которые могут перейти от данных и гипотез к запущенным системам и бизнес-результатам.</p><h3>Что будет в вашей зоне ответственности:</h3><ul><li>Проектировать, создавать и улучшать ML-системы для рекомендаций, ранжирования, персонализации, поиска (retrieval) и GenAI-воркфлоу;</li><li>Превращать продуктовые цели в конкретные ML-задачи, планы оценки, эксперименты и запущенные функции;</li><li>Работать с поведенческими, транзакционными, контекстными и неструктурированными данными для выявления сигналов и улучшения качества моделей;</li><li>Создавать фреймворки для офлайн-оценки и онлайн-эксперименты для измерения релевантности, качества, задержки, стоимости и бизнес-влияния;</li><li>Улучшать поведение GenAI-агентов за счет лучшего поиска (retrieval), управления контекстом, промптинга, использования инструментов, оркестрации и оценки;</li><li>Исследовать сценарии отказов, проводить анализ ошибок и принимать практические компромиссы между качеством, надежностью, скоростью и сложностью;</li><li>Тесно сотрудничать с платформенными и бэкенд-инженерами для развертывания, мониторинга и итерации моделей в продакшене;</li><li>Помогать определить, как Whizdom AI занимается ML: метрики, дисциплина экспериментирования, технические стандарты и долгосрочное направление;</li><li>Работать с сигналами реального времени (поведенческими и транзакционными) для улучшения рекомендаций, персонализации и интеллектуального поведения продукта;</li><li>Вносить вклад в предиктивные и основанные на инсайтах ML-задачи, такие как сегментация, прогнозирование оттока, измерение рекомендаций и ранжирование возможностей;</li><li>Писать чистый, тестируемый Python и создавать переиспользуемые ML-компоненты и общие библиотеки, используемые на всей платформе.</li></ul><h3>Как будет выглядеть успех в первые 6 месяцев:</h3><ul><li>Вы запустите значимые улучшения в рекомендательном, персонализационном или GenAI-воркфлоу, используемом в продакшене;</li><li>Вы создадите практический фреймворк оценки для одной или нескольких ключевых ML-систем;</li><li>Вы превратите неоднозначные продуктовые возможности в четкие эксперименты и обоснованные технические решения;</li><li>Вы улучшите как минимум одну важную метрику, такую как релевантность, завершение задач, конверсия, удержание, задержка или экономическая эффективность;</li><li>Вы станете доверенным владельцем, который замечает высокоэффективные ML-возможности и продвигает их вперед без необходимости в детальных инструкциях;</li><li>Вы поможете установить повторяемый подход к экспериментированию, итерации моделей и ML-разработке производственного качества в Whizdom AI.</li></ul><h3>Кого мы ищем:</h3><ul><li>Прочные основы в машинном обучении, статистике, компьютерных науках или аналогичной количественной дисциплине;</li><li>Опыт создания и запуска ML-систем или интеллектуальных функций продукта в производственных или околопроизводственных средах;</li><li>Сильные навыки Python и уверенная работа с данными, моделированием, оценкой и производственной коллаборацией;</li><li>Хорошее понимание экспериментирования, оценки моделей, инженерии признаков (feature engineering), качества данных и анализа ошибок;</li><li>Четкая коммуникация и способность работать с запутанными, неоднозначными продуктовыми проблемами;</li><li>Высокая ответственность, самонаправленность и сильная ориентация на действие;</li><li>5+ лет опыта создания и запуска ML-систем или интеллектуальных функций продукта в продакшене;</li><li>Глубокое понимание оценки моделей, кросс-валидации, инженерии признаков и проблем с качеством данных в реальных средах;</li><li>Опыт работы с крупномасштабными поведенческими, транзакционными или контекстными данными;</li><li>Сильные привычки разработки ПО, включая написание чистого, тестируемого, поддерживаемого кода на Python.</li></ul><h3>Будет плюсом:</h3><ul><li>Опыт работы с рекомендательными системами, ранжированием, поиском, персонализацией или оптимизацией маркетплейса/ленты;</li><li>Опыт работы с LLM-приложениями, RAG, GenAI-агентами, итерацией промптов или оценкой GenAI-систем;</li><li>Опыт проведения A/B-тестов или онлайн-экспериментов;</li><li>Опыт тесной работы с продуктовыми командами и перевода пользовательских проблем в ML-решения;</li><li>Опыт работы с ML в реальном времени, потоковыми признаками (streaming features), инференсом с низкой задержкой или онлайн-обучением;</li><li>Опыт работы с каузальным выводом (causal inference), Uplift-моделированием, многорукими бандитами (multi-armed bandits) или другими методами оптимизации решений;</li><li>Знакомство с облачной ML-инфраструктурой, контейнеризированным развертыванием и MLOps-воркфлоу;</li><li>Опыт в iGaming, финтехе, e-commerce или другой области с крупномасштабными транзакционными и поведенческими данными;</li><li>Опыт работы с задачами предиктивной аналитики, такими как сегментация, предотвращение оттока, LTV-моделирование или приоритизация возможностей.</li></ul><h3>Замечание о соответствии:</h3><p>Вам не нужно соответствовать каждому пункту, чтобы подать заявку. Мы ценим скорость обучения, техническое чутье и доказательства того, что вы можете запускать сложные вещи, больше, чем идеальное совпадение по ключевым словам или происхождение.</p><h3>Почему стоит присоединиться:</h3><ul><li>Прямой доступ к основателям и реальное влияние на платформу и инженерное направление;</li><li>Роль с высокой ответственностью и возможностью с самого начала формировать производственные основы компании;</li><li>Возможность работать над системами, лежащими в основе рекомендательных движков и GenAI-продуктов, которые реально используют клиенты;</li><li>Гибкая удаленная среда с предпочтительным сильным совпадением с европейскими часовыми поясами;</li><li>Небольшая команда, низкая бюрократия и много возможностей для роста.</li></ul><h3>Если вы считаете, что эта возможность вам подходит, не стесняйтесь подавать заявку или свяжитесь с нами, если у вас есть вопросы!</h3> <div> <a href="https://jobs.dou.ua/companies/nextchallenge/vacancies/365602/#reply-btn-id">Відгукнутись на вакансію</a> </div>