Сегодняшний выпуск маленький, но содержательный: здесь всего две вакансии, зато обе дают довольно ясную картину того, как работодатели сейчас реально используют ИИ — либо как инструмент перестройки внутренних процессов большого бизнеса, либо как прикладной слой поверх тяжёлых операционных данных.

Старший инженер по ИИ и генеративному ИИ — Porsche AG

Porsche AG ищет сильного инженера полного дня в Германии в гибридном формате с возможностью работать из разных точек страны. На площадке указана ориентировочная вилка 66–75 тысяч евро в год, что для роли такого уровня выглядит довольно сдержанно, зато сама работа может быть интересной тем, кто хочет заниматься не игрушечными прототипами, а внедрением генеративного ИИ в процессы очень крупного бренда.

По описанию это роль человека, который будет искать полезные сценарии для генеративного ИИ, проектировать архитектуру решений, собирать конвейеры данных и ИИ, встраивать модели в сервисы и доводить их до эксплуатации. Отдельно упомянуты безопасность ИИ-систем, работа со стейкхолдерами и проведение рабочих сессий, так что здесь нужен не узкий исполнитель, а инженер, который умеет разговаривать и с техникой, и с бизнесом.

Из технической стороны особенно заметны Python, Docker, Kubernetes, API, RAG, MLOps и работа с AWS, Azure и GCP. По сути вакансия хорошо подойдёт человеку, которому нравится соединять архитектуру, внедрение и надёжность, а не только экспериментировать с моделями в изоляции. Возможный минус очевиден: если вы ориентируетесь именно на верх рынка по компенсации, эта позиция может показаться слишком экономной для senior-уровня.

Откликнуться: ссылка

Senior Machine Learning Engineer — Revecore

Revecore работает в тяжёлом и не слишком глянцевом, но очень денежном контуре: компания помогает больницам и системам здравоохранения разбираться со сложным циклом выставления и возврата платежей. Здесь ищут старшего инженера машинного обучения на полный день в полностью удалённом формате по США, а вилка на площадке выглядит уже заметно мощнее — 140–224 тысячи долларов в год.

Это не роль про «сделать красивую модель и отдать дальше». По набору задач видно, что человек будет владеть значительной частью цикла сам: исследовать данные, обучать и проверять модели, внедрять практики MLOps и AIOps, выкатывать решения в облако и смотреть, как они меняют реальные бизнес-метрики. Отдельно звучит задача вокруг ранжирования возможностей по страховым требованиям и обращениям, то есть влияние на деньги и операционную эффективность здесь вполне прямое.

Стек практический и без сюрпризов для сильного прикладного инженера: Python, PyTorch, TensorFlow, scikit-learn, Transformers, Hugging Face, обработка текста, Apache Spark, плюс работа с AWS, GCP и Azure. Это хорошая вакансия для человека, который любит производственное машинное обучение с жёсткой проверкой пользы, но стоит сразу понимать контекст: здесь меньше романтики вокруг агентных интерфейсов и больше реальной ответственности за модели в медицинско-страховом процессе, где цена ошибки вполне ощутима.

Откликнуться: ссылка