Сегодняшняя подборка — про прикладной ИИ в очень разном контексте: от внутреннего корпоративного помощника и клиентских внедрений до медицинской диагностики и больших систем поддержки. Ниже — пять свежих ролей, где важны не только модели, но и умение доводить их до рабочего продукта.
Инженер по прикладному ИИ — SOCOTEC
SOCOTEC работает на стыке архитектуры, строительства и энергоэффективности зданий. Здесь ищут инженера, который будет усиливать внутреннюю программу чат-ботов и другие ИИ-сервисы компании, то есть речь не о лабораторной роли, а о прикладной работе для внутренних пользователей с понятным бизнес-контекстом.
По обязанностям это полный цикл: подготовка данных, разработка и внедрение моделей, настройка качества и скорости, интеграция с серверными командами и сопровождение всего решения в рабочей среде. Из стека и требований прямо названы Python, Scikit-learn, TensorFlow, PyTorch, Hugging Face, LangChain, GitHub и облака AWS/GCP/Azure; нужен опыт с обработкой текста и чат-ботами, а также примерно 4–7 лет в профессии. Формат — работа из офиса в Нью-Йорке четыре дня в неделю, зарплата $157–200 тысяч. Хороший вариант для инженера, которому интересен не абстрактный ИИ, а внедрение моделей в большой прикладной бизнес.
Откликнуться: ссылка
Инженер по клиентским внедрениям ИИ — AvePoint
AvePoint продаёт платформу для защиты данных, управления доступом и устойчивости облачной инфраструктуры в экосистемах Microsoft, Google и Salesforce. Эта роль ближе всего к инженерному консалтингу высокого уровня: нужно разговаривать с заказчиками и руководителями по безопасности, помогать им формулировать сценарии применения ИИ, а затем своими руками собирать рабочие решения.
В повседневной работе ожидаются разбор потребностей клиента, проектирование архитектуры, оценка рисков, подготовка рабочих планов и затем реализация агентов, систем поиска с подстановкой фактов, интеграций с Azure OpenAI, AWS Bedrock, Google Vertex AI, Anthropic и инструментами вокруг MCP. Требуют 5+ лет в разработке, архитектуре решений или консалтинге и минимум 2 года реального продакшен-опыта с современными ИИ-системами; важны Python, C#, TypeScript, LangChain и Semantic Kernel. Вакансия базируется в Арлингтоне, штат Виргиния, предполагает около 40% поездок и даёт вилку $180–230 тысяч. Это сильная роль для инженера, которому нравится быть ближе к клиенту и отвечать за внедрение целиком, а не только за один компонент.
Откликнуться: ссылка
Старший инженер машинного обучения в команде поддержки — Airbnb
Airbnb ищет старшего инженера машинного обучения в команду, где уже строят помощника для чата, голосового помощника и инструменты для живых агентов поддержки. Это одна из самых содержательных ролей в подборке для тех, кто хочет работать с агентными системами на действительно большой пользовательской базе.
Компания прямо перечисляет, чем предстоит заниматься: предварительное обучение и дообучение больших моделей, обучение на примерах и обратной связи, поиск с подстановкой фактов, оценка качества моделей, защитные механизмы, многоагентные схемы, использование инструментов, планирование и память. Нужен кандидат с магистратурой или кандидатской степенью и 6+ годами опыта, способный вести инициативы от идеи до рабочего запуска и координироваться с продуктом, дизайном и инженерией. Формат — удалённо по США, базовая зарплата $196–227 тысяч, дополнительно возможны бонус, доля и компенсация поездок. Если интересны зрелые ИИ-сервисы в продакшене, это один из самых сильных вариантов дня.
Откликнуться: ссылка
Старший инженер машинного обучения — Digital Diagnostics
Digital Diagnostics делает автономные ИИ-системы для медицины, а их продукт LumineticsCore уже одобрен регулятором США для выявления диабетической ретинопатии прямо в точке оказания помощи. Здесь ищут сильного старшего инженера машинного обучения под исследования и развитие алгоритмов компьютерного зрения.
Работа включает создание новых моделей, эксперименты по качеству, улучшение текущих систем, поддержку исследовательской инфраструктуры и ревью кода. Требования серьёзные: либо кандидатская степень, либо магистратура с опытом, либо 5+ лет в индустрии; нужны TensorFlow или PyTorch, глубокое обучение для компьютерного зрения, Python или C++, а плюсом будут OpenCV, ITK, SageMaker, ZenML, сегментация, поиск объектов и опыт с медицинскими устройствами. Вакансия удалённая по США, но компания сразу предупреждает, что не нанимает вне США и не обещает визовую поддержку. Это хороший выбор для тех, кто хочет делать клинически значимые модели, а не очередной маркетинговый чат-бот.
Откликнуться: ссылка
Старший ИИ-инженер — Rightway
Rightway строит цифровую платформу для навигации по медицинским услугам и фармацевтическим льготам. В этой роли компании нужен старший инженер, который сможет быстро доводить ИИ-функции до рабочего продукта и при этом уверенно чувствовать себя в обычной полнофункциональной разработке.
Стек назван довольно конкретно: Node.js, React, TypeScript, Ruby, GraphQL и Postgres, а в плюс идут опыт с продакшен-ИИ, настройка больших моделей и понимание требований HIPAA. Компания ищет человека с 5+ годами опыта, которому комфортно одновременно строить ИИ-возможности и платформенные части продукта. Формат — удалённо по США, компенсация $175–215 тысяч плюс бонус и доля. Для инженера, который хочет совмещать прикладной ИИ и зрелую продуктовую разработку в области медицины, это очень крепкая позиция.
Откликнуться: ссылка
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Меня в таких ролях каждый раз удивляет, как быстро «прикладной ИИ» превращается в смесь интегратора, инженера по моделям и внутреннего продуктового спасателя. Если кто-то уже работал в похожем контуре, поделитесь самым частым реальным затыком: данные, согласования с безопасностью или ожидания бизнеса, что всё заработает само после первого демо?
Да, в таких вакансиях чаще всего ломает не один узкий навык, а стык между слоями: сырые данные, долгие согласования с безопасностью и завышенные ожидания после красивого прототипа. По описаниям ролей работодатели всё чаще ищут человека, который умеет не только собрать модель, но и пережить этот переход до рабочей среды.
Вот это очень точное место. Я сама чаще всего видела, как всё сыпется именно после красивого демо: пока данные ещё живые и служба безопасности не подключилась, инструмент кажется почти готовым, а потом внезапно выясняется, что настоящая работа только начинается.
Я здесь впервые ясно увидела разницу между «делать модель» и «доводить её до работы в компании». Но тогда у меня очень практичный вопрос: если человек умеет понемногу обучать модели, а больше всего делал интеграции и доводку качества, это уже подходит под такие роли или всё равно будут ждать почти исследовательский бэкграунд?
Для многих прикладных ролей это как раз хороший профиль: компании часто нужнее человек, который умеет довести модель до рабочего процесса, встроить её в продукт и удержать качество на реальных данных. Исследовательская база становится обязательной обычно там, где надо придумывать новые методы, а не надёжно внедрять уже существующие.
Вот это как раз очень помогает разложить всё по полочкам: не обязательно быть человеком, который придумывает новые методы, чтобы быть ценным в такой роли. Получается, для многих вход в ИИ сейчас лежит не через большую науку, а через умение довести уже известные модели до нормальной работы на живых данных.