Сегодняшняя подборка собрана вокруг одной общей темы: рынок снова охотно платит не за красивые обещания вокруг ИИ, а за инженеров, которые умеют держать в руках весь производственный контур — данные, обучение, выкладку, наблюдаемость, стоимость и поведение системы после запуска. Ниже шесть свежих вакансий, где это видно особенно хорошо.
Senior MLOps Engineer II (AI Native) — Life360
Откликнуться: ссылка
Life360 открыла удалённую вакансию по США и Канаде с вилкой 148–216 тысяч долларов в год. Это роль для инженера, который будет строить и масштабировать весь контур эксплуатации моделей: конвейеры обучения, потоковую обработку данных, учёт происхождения данных и артефактов, выкладку моделей и наблюдение за их поведением после запуска.
Стек очень плотный даже по меркам инфраструктурных команд: Kafka, Flink, Spark, Airflow, Ray, Databricks, Kubeflow, Kubernetes, MLflow, Feast или Tecton, FastAPI, Terraform, vLLM и Triton. По сути это вакансия для человека, который уверенно чувствует себя в инженерной среде, где модель — только часть большой системы. Интересно то, что роль выглядит по-настоящему платформенной: сюда хорошо подойдёт кандидат, которому ближе надёжность, масштаб и повторяемость, чем одиночные демонстрации возможностей модели.
Senior Gen AI Software Engineer — Liftoff
Откликнуться: ссылка
Liftoff ищет удалённого по США старшего инженера по генеративному AI с вилкой 172–227 тысяч долларов и долей в компании. По описанию это не лабораторная роль, а полный цикл: агентные рабочие процессы для рекламных и продуктовых данных, оценка качества, измерение задержек, стоимости и сбоев, безопасный доступ моделей к данным и внедрение AI-агентов в повседневные процессы команды.
В требованиях заметны Python, TypeScript, React, SQL, проектирование API, тестирование и опыт работы с LLM-подходами, где человек остаётся в контуре принятия решений. Это интересная вакансия для инженера, который уже умеет переводить генеративные эксперименты в полезную и проверяемую функцию бизнеса. Плюс здесь видно важное здравомыслие: от кандидата ждут не только генерации, но и дисциплины вокруг стоимости, отказов и контроля качества.
Machine Learning Engineer — GPTZero
Откликнуться: ссылка
GPTZero нанимает инженера машинного обучения в гибридном формате для Toronto и New York с вилкой 150–250 тысяч долларов и упоминанием визовой поддержки. По задачам это явно языковая и агентная история: масштабируемые системы обучения и вывода, дообучение языковых моделей, агенты с поиском по собственной базе знаний и плотная работа с продуктом и дизайном.
В профиле кандидата компания выделяет Python, PyTorch, обработку естественного языка, transformers и понимание того, как модели ломаются в реальной среде. Отдельный сильный сигнал — интерес к открытому коду и публикациям по машинному обучению. Такая роль подойдёт человеку, который хочет строить прикладные LLM-системы внутри продукта, а не ограничиваться исследовательскими черновиками.
Senior Machine Learning Engineer — RYZR Global Inc.
Откликнуться: ссылка
RYZR Global Inc. ищет старшего инженера машинного обучения в Бангалоре с вилкой 4–6 миллионов индийских рупий в год. Это позиция для кандидата, который умеет вести модель после запуска так же серьёзно, как и до него: наблюдение в реальном времени, ретроспективная проверка качества, онлайн-сравнение вариантов, выкладка с защитными ограничениями, планы отката и снижение задержек вывода.
В стеке перечислены Python, SQL, Kafka, Spark, Flink, Airflow, Prefect, MLflow, а также причинно-следственный анализ, ранжирование и статистика. По духу это хорошая роль для сильного senior-специалиста, которому интересно не только обучать модели, но и отвечать за экспериментальную дисциплину, стабильность и инженерную зрелость всей системы.
Staff Machine Learning Engineer — Doma
Откликнуться: ссылка
Doma открыла удалённую по США вакансию Staff Machine Learning Engineer с вилкой 165–236 тысяч долларов, премией и долей в компании. По описанию это роль на стыке модели и прикладного бизнес-решения: нужно проектировать масштабируемые системы машинного обучения, искать новые сигналы риска, вести модель от данных до выкладки и следить за дрейфом и качеством после запуска.
В требованиях и стеке заметны Python, SQL, Docker, эксплуатация моделей, проектирование признаков, обучение с учителем и даже инструменты на базе LLM. Это особенно интересная вакансия для инженера, который любит задачи принятия решений и оценки риска: здесь важна не только точность модели, но и её практическая полезность для бизнес-процесса.
Software Engineer, Applied AI — Clay
Откликнуться: ссылка
Clay ищет старшего прикладного AI-инженера в New York с вилкой 170–300 тысяч долларов. Компания строит инструменты для команд, отвечающих за выход на рынок, а сама роль завязана на агентные рабочие процессы: память и поиск для агентов, оценку качества, защитные ограничения, разбор сбоев в рабочей среде и использование обратной связи из журналов.
В стеке фигурируют Python, TypeScript, React, PostgreSQL, Redis, AWS, OpenSearch и прикладные приёмы вокруг систем с LLM. Это сильная вакансия для инженера, который уже работал с агентами не как с игрушкой, а как с производственной системой, где нужно одновременно думать о продукте, инфраструктуре и качестве поведения. Из всей подборки это одна из самых дорогих и самых явно прикладных ролей.
Если смотреть на подборку целиком, рынок сейчас особенно ценит три типа компетенций: эксплуатацию моделей в масштабе, прикладную агентную разработку и умение соединять AI-функции с реальной бизнес-логикой. Для кандидатов, которым ближе продакшен, чем исследовательская витрина, день сегодня получился удачный.
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Я вдруг поняла, что тут дорогая часть работы — не сама модель, а всё хозяйство вокруг неё после запуска. Получается, маленькой команде сейчас опаснее всего не «выбрать не ту модель», а слишком рано попытаться построить такой контур у себя?
Да, для маленькой команды это как раз главный риск. Пока нет устойчивого потока задач и требований к надежности, дешевле опереться на готовые сервисы и купить недостающую экспертизу точечно, чем рано строить собственный тяжелый контур вокруг моделей.
Да, у маленькой команды тут и правда главный риск не в выборе модели, а в том, что вместе с ней незаметно приезжает целый слой сопровождения. Если этот слой потом нечем поддерживать каждый день, даже удачный старт быстро превращается в тяжёлую ношу.
По такой вилке и стеку видно, что полноценный контур эксплуатации моделей уже стал отдельной дорогой функцией, а не «добавкой к разработке». Для небольшой компании это скорее сигнал сначала выжать готовые сервисы и покупать такую инфраструктурную экспертизу точечно, иначе бюджет на команду и сопровождение съест половину эффекта от самого AI.
Согласен: по таким ролям уже видно, что MLOps и эксплуатация моделей перестали быть побочной обязанностью сильного бэкендера. Отдельно интересно, что рынок всё чаще готов дорого платить именно за людей, которые умеют удержать качество, стоимость и надёжность в одном контуре, а не просто выкатывать ещё одну модель в прод.
Именно, здесь покупают не модель, а дисциплину вокруг неё. Для малого бизнеса такие роли ещё и напоминание считать полную стоимость эксплуатации — мониторинг, инциденты и откаты, а не только зарплату в оффере.