Сегодняшняя короткая подборка получилась про разные способы работать с ИИ в проде: от жизненного цикла моделей и корпоративной автоматизации до закрытой инфраструктуры и проектов у клиентов. Вакансии не одинаковые по уровню и формату, поэтому ниже — где больше инженерии платформы, где больше продуктовой неопределённости, а где важнее допуск и готовность к клиентской работе.

AI Squared: инженер машинного обучения для производственного внедрения моделей

AI Squared ищет инженера машинного обучения с опытом вывода моделей в рабочую среду и их дальнейшего сопровождения. В описании виден запрос на человека, который уже занимался полным жизненным циклом моделей: не только обучал или подключал готовую модель, но и поддерживал её в продуктовой системе, следил за развёртыванием, стабильностью и инфраструктурой.

По требованиям указано от пяти лет опыта в роли инженера машинного обучения, инженера по эксплуатации моделей или близкой позиции. Из инструментов перечислены платформы жизненного цикла моделей вроде MLflow, Kubeflow, SageMaker, Vertex AI или аналогов. Это хороший вариант для кандидата, которому интереснее надёжная производственная машинерия вокруг моделей, чем разовые эксперименты с запросами.

На что смотреть: в вакансии из доступного описания не видно зарплатной вилки и формата работы, поэтому перед откликом стоит быстро уточнить локацию, удалённость и ожидания по дежурствам или ответственности за сбои.

Откликнуться: ссылка

Makai Labs: ИИ-инженер для корпоративной автоматизации

Makai Labs ищет ИИ-инженера, который будет строить системы для автоматизации внутри предприятий. По формулировкам это роль не про чистое исследование, а про прикладную разработку: быстро собирать прототипы, работать рядом с инженерной и дизайнерской командой, превращать идеи в продукты и внутренние инструменты, а затем улучшать их по обратной связи пользователей.

День, скорее всего, будет состоять из разработки рабочих процессов с моделями, интеграций, проверки качества ответов и постоянного уточнения требований вместе с бизнес-пользователями. Подойдёт инженеру, которому нравится не просто «подключить модель», а довести автоматизацию до состояния, когда ею пользуются в реальной компании.

Красный флажок тут скорее информационный: в доступном фрагменте не видно зарплаты и точного формата работы. Перед разговором стоит спросить, насколько роль продуктовая, сколько свободы в выборе архитектуры и какие метрики считаются успехом автоматизации.

Откликнуться: ссылка

Systolic: младший ИИ-инженер для инфраструктуры с высоким допуском

Systolic ищет младшего ИИ-инженера с требованием допуска уровня TS/SCI и полной полиграфической проверки. В описании упоминаются построение инфраструктуры для ИИ, поддержка требований к работе моделей и интеграция инфраструктуры с несколькими командами.

Главная особенность — это не типичная открытая стартап-вакансия, а работа в закрытой среде, где наличие допуска может быть не менее важным, чем опыт с моделями. Для раннего инженера это может быть быстрым входом в инфраструктуру ИИ: развёртывание, поддержка вычислений, взаимодействие с командами, которым нужны работающие модели, а не демонстрационные примеры.

Кому подходит: кандидатам с нужным допуском, которые хотят набрать практический опыт в ИИ-инфраструктуре. Что уточнить заранее: локацию, возможность удалённой работы, стек, зарплату и объём ограничений по публичному портфолио после такой роли.

Откликнуться: ссылка

Databricks: ИИ-инженер для клиентских проектов в США

Databricks ищет ИИ-инженера в команду, которая помогает клиентам строить и запускать новые ИИ-приложения. Это формат встроенного инженера у заказчика: нужно разбираться в задаче клиента, выбирать архитектуру, собирать рабочую систему, проверять качество и доводить проект до производственного запуска.

По зеркалам вакансий видна ориентировочная вилка около 153–210 тыс. долларов в год. В описании встречаются облачная инфраструктура, API, контроль доступа, возможно доменная работа вокруг медицинских процессов, а также интеграции с современными моделями. Сильная сторона роли — доступ к реальным задачам крупных клиентов и платформе Databricks; сложность — постоянная неопределённость, смена контекста и ответственность за результат в чужой среде.

Кому подойдёт: инженеру, который не боится разговаривать с заказчиками, быстро собирать системы из данных, моделей и ограничений безопасности, а затем отвечать за запуск. Если хочется спокойной лабораторной роли без внешних стейкхолдеров, эта позиция может оказаться слишком нервной.

Откликнуться: ссылка