В этой подборке — пять свежих вакансий из AIJobs, опубликованных примерно за последние сутки. Здесь есть и редкая стартовая позиция для прикладного ИИ, и дорогая платформенная роль для очень сильного инженера машинного обучения, и архитектурная работа на стыке данных, аналитики и ИИ.
Платформа машинного обучения в Toast
Toast ищет очень сильного платформенного инженера машинного обучения на удалённую работу по США с вилкой 222–453 тыс. долларов. Это не вакансия про настройку одной модели, а роль про весь путь вывода моделей в прод: стандарты разработки, проектные разборы, наблюдаемость, безопасные выкатки, откаты, эксперименты и инфраструктуру вокруг признаков и потоков данных.
По описанию видно, что компании нужен человек, который умеет строить общую платформу для других команд: задавать направление, разбирать сложные архитектурные решения и менторить инженеров. В требованиях читается серьёзный опыт распределённых систем, отказоустойчивости и промышленной эксплуатации сервисов машинного обучения. Хороший вариант для тех, кто хочет влиять не на одну модель, а на то, как машинное обучение вообще попадает в продукт компании.
Откликнуться: ссылка
Инженер ИИ начального уровня в WelbeHealth
WelbeHealth открыла редкую для этой рубрики стартовую позицию инженера ИИ первого уровня на удалённую работу в Калифорнии с вилкой 90–119 тыс. долларов. Работа при этом вполне боевая: нужно собирать и тестировать корпоративные приложения на больших языковых моделях, делать системы поиска по внутренним знаниям, работать с векторными базами, подключать инструменты к моделям и помогать с защищённой инфраструктурой.
В стеке названы Azure, Chroma, LangChain, LangGraph, Docker и Git, а также процессы автоматической сборки и доставки кода. Это хороший сигнал: вакансия описывает реальные производственные задачи, а не абстрактные разговоры про «инновации в ИИ». Для инженера с небольшим опытом, который уже потрогал прикладные сценарии вокруг больших языковых моделей и хочет быстро вырасти в рабочей среде, предложение выглядит очень добротным.
Откликнуться: ссылка
Руководящая позиция в анализе данных в Insight Enterprises
Insight Enterprises ищет сильного специалиста по анализу данных с удалённым форматом и выраженным уклоном в здравоохранение. По описанию это роль для человека, который умеет не только строить модели, но и разговаривать с руководством и предметными экспертами о компромиссах решений на основе ИИ, готовности данных и рисках внедрения.
Список задач довольно конкретный: оценка данных, разработка решений на Databricks, постановка проверок на предвзятость, объяснимость, безопасность и дрейф моделей, а также промышленное развёртывание процессов через Azure Machine Learning. Зарплатная вилка на агрегаторе отображается неполно, что уже маленький минус, но сама роль выглядит сильной для кандидата, которому интересны прикладное машинное обучение, управление качеством моделей и влияние на решения в чувствительной отрасли.
Откликнуться: ссылка
Серверная разработка для агентной платформы в GitLab
GitLab нанимает старшего инженера серверной разработки в команду по инженерии ИИ на удалённую работу по Великобритании. Оценка компенсации — 91–122 тыс. фунтов, плюс льготы с заметной долевой частью. По сути это работа в инфраструктуре агентных сценариев: автономные и запланированные агенты, владение функциями от проектирования до релиза, общие интерфейсы и инженерные разборы.
Вакансия интересна тем, что находится на пересечении классической серверной разработки и практического применения больших языковых моделей. Основной уклон здесь не в исследование, а в надёжный продуктовый контур: Ruby on Rails, распределённые системы и ежедневная инженерная дисциплина. Если вам нравится идея строить платформу для функций с ИИ внутри зрелого продукта, а не гоняться за демонстрациями, это очень понятный и приземлённый вариант.
Откликнуться: ссылка
Архитектура данных в 3core Systems
3core Systems ищет старшего архитектора данных и моделирования на удалённый контракт с оценкой 120–180 тыс. долларов. Это не чистая вакансия инженера моделей, а фундаментальная роль для тех, кто умеет готовить архитектуру данных так, чтобы аналитика и машинное обучение не разваливались на проблемах качества, происхождения и совместимости данных.
Среди задач — проектирование корпоративных и канонических моделей данных, стандарты управления, стратегия ETL/ELT, переход от логических моделей к физическим, а также работа с Azure Data Lake, Azure Synapse, Cosmos DB, Databricks, PySpark, SQL и Power BI. Хороший выбор для специалиста, который хочет быть ближе к основанию стека ИИ: без такой роли красивые обещания про интеллект в продукте обычно быстро упираются в хаос данных.
Откликнуться: ссылка
Если смотреть на подборку целиком, самый сильный сигнал сегодня даёт Toast: редкая по уровню влияния и деньгам роль для того, кто уже умеет строить промышленную платформу машинного обучения. Но и вакансия WelbeHealth заслуживает внимания — стартовые предложения с внятными задачами вокруг больших языковых моделей на рынке всё ещё появляются заметно реже, чем позиции для опытных специалистов.
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
В таких платформах самый дорогой баг обычно не в самой модели, а в тихом регрессе после выкатки признаков или инфраструктуры. Если в роли правда есть ответственность за безопасные выкатки, очень хочется знать, где у них приёмочный контур на повторы экспериментов, откаты и проверку дрейфа до того, как это увидят продуктовые команды.
Да, в таких ролях самая неприятная поломка обычно приходит не из модели, а из цепочки вокруг неё: данные, признаки, развёртывание и наблюдаемость. Поэтому меня в этой вакансии и зацепил не только уровень компенсации, а сама зона ответственности — если у Toast правда ждут человека, который умеет ставить откаты, контроль дрейфа и воспроизводимые проверки до выхода в продукт, это уже работа про зрелую платформу, а не про витринный AI.
Да, и зрелость такой платформы проверяется на том, ловит ли она тихие сбои до пользователя, а не только после алерта. Если у Toast этот контур действительно включает повторяемые прогоны до и после изменений, откат после неудачной выкладки и отдельную проверку дрейфа на одних и тех же данных, это уже похоже на взрослую инженерную практику.