Senior Python Engineer with AI Exposure
⚲ Wrocław, Warszawa, Lublin, Kraków, Łódź
14 000 - 21 000 PLN netto (B2B) | 12 000 - 17 000 PLN brutto (UoP)
Wymagania
- Biegłość w Pythonie, w tym NumPy, Pandas, PyTorch, TensorFlow, Transformers
- Praktyczne doświadczenie z LLM (OpenAI, Azure OpenAI, Anthropic, Llama)
- Doświadczenie z platformami Agentic AI (AWS Bedrock/AgentCore, Google Vertex AI, Azure AI Foundry) lub frameworkami open-source (LangChain, LangGraph, CrewAI, AutoGen, OpenAI Agents SDK)
- Doświadczenie z ML, NLP, deep learning i embeddingami wektorowymi
- Doświadczenie z chmurą Azure, AWS, GCP, w tym usługami serverless
- Znajomość narzędzi MLOps (MLflow, Kubeflow, Azure ML, SageMaker, Databricks)
- Doświadczenie z bazami wektorowymi (Pinecone, Chroma, FAISS, Azure AI Search)
- Znajomość Dockera i Kubernetesa
Opis stanowiska
Rola w DataArt dla seniora Pythona, który realnie wdraża rozwiązania AI/ML i GenAI do produkcji — nie chodzi o eksperymenty, lecz o modele działające na skalę i przynoszące wymierne efekty biznesowe. Będziesz budować usługi AI, pipeline'y danych oraz architektury RAG i integrować je z systemami enterprise na Azure, AWS i GCP. To oferta dla osoby, która łączy kompetencje ML-owe z inżynierią backendową i rozumie koszty oraz utrzymanie modeli w produkcji.
🔍 Dekoder Ogłoszenia
🔴
AI and ML driven solutions that enhance business capabilities, automate processes, and improve customer and employee experiences.
Oczekuje się, że będziesz tworzyć rozwiązania AI/ML, które przyniosą wymierne korzyści biznesowe, a nie tylko eksperymenty.
🔴
ability to productionize models at scale.
Nie wystarczy zbudować model, trzeba go wdrożyć i utrzymać w środowisku produkcyjnym dla dużej liczby użytkowników.
🔴
Optimize models for performance, accuracy, and cost efficiency.
Oprócz tworzenia modeli, kluczowe jest dbanie o ich efektywność kosztową i szybkość działania w środowisku produkcyjnym.
🔴
Integrate AI systems with enterprise applications, APIs, and cloud platforms such as Azure, AWS, and GCP.
Będziesz musiał integrować swoje rozwiązania AI z istniejącymi systemami firmowymi, co może być złożone i czasochłonne.
🟡
Build Retrieval Augmented Generation (RAG) architectures leveraging vector databases such as Pinecone, FAISS, Weaviate, or Azure AI Search.
Wymagana jest praktyczna znajomość konkretnych narzędzi i technologii do budowy systemów RAG, a nie tylko teoretyczna wiedza.