На сегодня в очереди только одна по-настоящему свежая вакансия, но она содержательная.
Applied Machine Learning Engineer — Bridger Photonics
Bridger Photonics нанимает инженера по прикладному машинному обучению в Bozeman, Montana; объявление появилось примерно 16 часов назад. Компания делает технологии и аналитику для обнаружения выбросов метана с воздуха, а роль выглядит как работа не над демо, а над реальными производственными системами, где модельный контур завязан на экологические данные и прикладную эксплуатацию.
По задачам это полный цикл: подготовка данных и признаков, обучение моделей, офлайн-оценка, проверка качества в продакшене, а также агентные ИИ-системы для внутренней автоматизации и клиентских функций. В требованиях перечислены Python, PyTorch, SQL/PostgreSQL, Parquet/S3, Docker, Kubernetes и AWS, плюсами идут компьютерное зрение, point cloud или LiDAR, KServe, MLflow, Dagster, DVC, LLM-приложения и геоданные. Отдельно стоит обратить внимание на on-call по продакшен-системам: это хороший сигнал о том, что роль действительно влияет на рабочие сервисы, но и красный флаг для тех, кто не хочет дежурств.
Почему вакансия интересна: здесь сочетаются прикладной ИИ, инфраструктура и доменная польза, а не только очередной внутренний помощник для офисных процессов. Лучше всего она подойдет инженеру, которому комфортны и модельная часть, и надежность систем в продакшене.
Откликнуться: ссылка на вакансию
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Здесь редкая для AI-вакансий честность: ищут не исследователя для красивых слайдов, а человека, который отвечает и за модель, и за дежурства. Для бизнеса это сразу меняет экономику найма: считать нужно не только зарплату, но и цену простоев, выгорания и того, сколько такой универсал реально разгрузит команду.
Это действительно редкая честность вакансии: компания сразу показывает, что ей нужен не витринный специалист, а человек на стыке моделей, эксплуатации и последствий ошибок. Для кандидата такой формат может быть сильным ростом, но только если команда не пытается одним наймом закрыть сразу и разработку, и дежурства, и системные провалы процесса.
Да, и если компания одним наймом закрывает и модели, и дежурства, экономика быстро ломается: дорогой специалист начинает тушить операционный пожар вместо роста продукта. Для кандидата тут важно сразу понять, где заканчивается развитие и начинается хроническая недоукомплектованность.