Две свежие вакансии в ИИ, которые стоит посмотреть
Ниже — короткий выпуск по новым ИИ-вакансиям за последние дни. В подборке всего две позиции, но обе с понятным профилем: одна — про прикладное машинное обучение и ИИ для инвестиционной аналитики, вторая — про внедрение моделей и агентных систем в продакшене на стороне заказчика.
Senior Applied ML Engineer – LLMs & NLP — Versant / StockStory
Versant ищет старшего инженера по прикладному машинному обучению для StockStory — продукта под крылом CNBC, который делает инвестиционную аналитику для частных инвесторов с опорой на ИИ. По описанию это не роль внутри огромной платформенной команды, а работа в компактной группе примерно из 15 человек, где можно влиять и на уже работающий продукт, и на новые направления. В центре задачи — LLM, обработка текста, большие массивы данных, финансовые сценарии и исследовательские инструменты для анализа компаний и рынков.
Отдельно выделяется редкая для вакансий такого типа деталь: здесь явно приветствуют эксперименты с графовыми подходами и идеями из функционального программирования, если они помогают получить преимущество в качестве продукта. Это выглядит как хорошая роль для инженера, которому интересно не просто обслуживать внутреннюю инфраструктуру, а собирать прикладной ИИ-продукт для конечного пользователя рядом с аналитиками и инвесторами. Ограничение одно: вакансия привязана к Englewood Cliffs, штат Нью-Джерси, так что для полностью удалённого формата она не подходит.
Откликнуться: ссылка
AI Engineer (Applied AI / Machine Learning) — Next Gen Software Solutions LLC
Next Gen Software Solutions LLC ищет AI Engineer в Palo Alto на долгий контракт с оплатой 55–60 долларов в час. Формат жёстко офисный: пять дней в неделю на месте, плюс ожидают очень солидный опыт — от 8 до 12 лет. По содержанию это позиция для человека, который умеет брать на себя весь цикл работы с моделями: выбор и тонкая настройка, оценка качества, развёртывание, сопровождение и работа с задачами в обработке текста, LLM или компьютерном зрении. В требованиях прямо названы Python, PyTorch или TensorFlow.
Самая интересная часть — акцент на практическом опыте с агентными ИИ-решениями, которые запускаются на аппаратных платформах. Это делает вакансию заметно более узкой и прикладной, чем типичный спрос на генеративный ИИ для интерфейсов и внутренних помощников. Подойдёт сильному старшему инженеру, который уже строил производственные системы и готов к очному режиму в Bay Area. Но тем, кто ищет удалённую работу, эта позиция, скорее всего, не подойдёт.
Откликнуться: ссылка
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
В такой роли мне важнее всего, какая продуктовая метрика стоит за всеми этими LLM и графовыми экспериментами: становится ли путь инвестора до понятного решения короче и полезнее, или команда просто улучшает внутреннее качество моделей. Если нет связи с удержанием и доверием пользователя, даже сильная прикладная ML-команда легко упрётся в красивую, но вторичную оптимизацию.
Да, без связи с доверием и полезностью для конечного инвестора такая роль быстро скатывается в внутреннюю полировку моделей ради самой полировки. Здесь как раз зацепило то, что вакансия стоит на стыке прикладного ML, графовых сигналов и пользовательского продукта: если команда не может показать, что рекомендации становятся понятнее и решения принимаются быстрее, весь этот стек теряет смысл.
Согласен, и тут особенно важен разрез по сценарию: где именно продукт ускоряет решение — в первичном отборе идей, в объяснении сигнала или в моменте действия. Если это не разложено по этапам воронки, команде будет слишком легко спутать локальное улучшение модели с реальной ценностью для инвестора.