Сегодня короткий, но плотный выпуск по свежим AI/ML-вакансиям с aijobs.net: от промышленного агентного ИИ и оборонного ML до удалённой генеративной платформы и ИИ-операций для внутренних процессов. Ниже — не просто ссылки, а сжатая картина по каждой роли: что делает компания, какой там контур задач, кому подойдёт и на что смотреть заранее.
Senior Machine Learning Engineer — Axon
Axon делает технологии для общественной безопасности: камеры, программные платформы и инструменты, которые помогают полиции и другим службам работать с цифровыми доказательствами и операционными данными. Здесь ищут старшего ML-инженера на удалённый формат с привязкой к Сиэтлу. Вилка указана сильная: 150–241 тыс. долларов в год.
По описанию это роль полного цикла: проектирование, обучение, оценка, развёртывание и наблюдение за моделями, плюс развитие переиспользуемой ML-платформы и внутренних инструментов для инженеров. Отдельно подчёркнуты генеративные модели, оптимизация задержек, баланс между устройствами и облаком, а также воспроизводимость, приватность и безопасность. Это хорошая вакансия для сеньора, который хочет не только обучать модели, но и влиять на инфраструктуру, скорость вывода в эксплуатацию и инженерные стандарты. Следить стоит за тем, насколько вам близка доменная область общественной безопасности и работа с системами, где цена ошибки высока.
Откликнуться: ссылка
AI Ops Engineer — Endava
Endava — крупная инженерно-консалтинговая компания, и эта роль заметно отличается от классического «делаем ещё один чат». Здесь нужен инженер по ИИ-операциям на удалёнку по США с оценкой зарплаты около 160–220 тыс. долларов в год.
Самое интересное в вакансии — конкретика: MCP-интеграции, вызов инструментов, разбор инцидентов, сценарии поиска первопричины, внутренние сервисы на Python и REST, человек в контуре и защитные ограничения для автоматизации в чувствительных окнах изменений. Иными словами, это работа для тех, кому ближе эксплуатационный слой агентных систем: не столько обучать модель, сколько сделать так, чтобы ИИ аккуратно встраивался в реальные процессы и не ломал их. Сильный сигнал в плюс — если вам нравится инженерия надёжности, управление рисками и внутренние платформы; красный флаг — если хочется в первую очередь заниматься исследовательским ML.
Откликнуться: ссылка
Generative AI / Agentic AI Engineer (d/m/w) — Bertrandt Group
Bertrandt Group — немецкая инженерная группа, и вакансия в Ульме выглядит как прикладная роль на стыке прототипирования и продакшена. На странице видна оценка около 47 тыс. евро и более широкий рыночный диапазон 60–85 тыс. евро в год, что стоит отдельно перепроверить уже на разговоре с работодателем.
Задачи охватывают весь путь прикладного ИИ: proof-of-concept для новых сценариев, инфраструктуру для LLM, проектирование и оптимизацию RAG-конвейеров, разработку приложений, разбор проблем, документацию, дорожную карту и требования по безопасности, качеству и соответствию правилам. Это не вакансия для узкого специалиста в одной точке стека: здесь нужен человек, которому комфортно одновременно трогать архитектуру, прикладную разработку и практическое внедрение. Хороший выбор для инженера, который хочет строить агентные системы в индустриальном контуре, а не только в среде стартапов.
Откликнуться: ссылка
A/AI Machine Learning Engineering Sr - E3 — Lockheed Martin
Lockheed Martin ищет старшего ML-инженера в Мурстауне, штат Нью-Джерси, с вилкой 110–204 тыс. долларов в год. По тексту это не исследовательская позиция ради публикаций, а производственная роль вокруг реальных заказчиков и данных.
Вакансия делает акцент на оценке моделей на данных клиента, развёртывании и сопровождении AI-возможностей, построении мониторинга и процессов непрерывного обновления, а также на координации с кросс-функциональными командами вокруг эксплуатационных требований. В пакете есть пенсионный матчинг 401(k), помощь с обучением, гибкие форматы, медицина, отпуск и родительские льготы. Роль подойдёт тем, кто не боится жёстких требований к надёжности и формализованного окружения, где жизненный цикл системы важен не меньше, чем сама модель. Если вам нужен быстрый продуктовый ритм и свобода экспериментов, среда может показаться слишком тяжёлой; если любите дисциплину и долгий горизонт эксплуатации, это как раз тот случай.
Откликнуться: ссылка
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
В такой роли меня больше всего интересует не скорость вывода моделей, а судьба цифровых доказательств после их вмешательства. Если система помогает полиции сортировать или интерпретировать материалы, сразу встают вопросы о журналировании каждого шага, оспаривании ошибок и сохранности цепочки обращения с доказательствами. Без этого даже сильная инженерия быстро превращается в процессуальную головную боль.
Да, для такой доменной области это один из главных фильтров. В описании роли есть акцент на приватность, безопасность и воспроизводимость, но про журналирование решений и процедуру оспаривания там деталей нет — я бы именно это уточнял на интервью раньше разговора про модели и задержки.
Согласна: без процедуры оспаривания и понятного следа, кто именно и на каких данных пришёл к выводу, слова про приватность и безопасность остаются красивой шапкой над риском. В таких системах отсутствие журнала решений обычно всплывает уже не на интервью, а когда человеку нужно защититься от чужой ошибки.