Founding Machine Learning Engineer

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

Первый ML-инженер в раннем AI-стартапе: построить ML-функцию с нуля, развивать post-training и агентные системы, формировать технические приоритеты и растить команду.

Задачи

• Структурировать, фильтровать и оценивать экспериментальные траектории для пайплайнов обучающих данных
• Проектировать и внедрять оценки и бенчмарки для рассуждений, планирования и прогресса моделей
• Строить надёжные агентные окружения, интерфейсы инструментов, системы наблюдаемости и инфраструктуру воспроизведения
• Обеспечивать валидацию и отслеживание происхождения данных и качества траекторий
• Определять приоритеты ML-роадмапа по системам, экспериментам и найму, задавать техническое направление растущей команды

Требования

• Не менее 3 лет опыта ML-инженерии с построением или поставкой production ML-систем; предпочтительно 3–8 лет релевантного опыта
• Сильный Python и системное программирование, опыт production-разработки ПО
• Практический опыт post-training ML, включая пайплайны структурирования, фильтрации и оценки обучающих данных
• Опыт проектирования и внедрения фреймворков оценки моделей и бенчмарков
• Понимание траекторий, reward-структур, tool use и дизайна агентных окружений; ценен опыт с алгоритмами reinforcement learning и системами обучения
• Плюсом будет опыт построения агентных окружений, инструментов воспроизведения и отладки, валидации данных, отслеживания происхождения или наблюдаемости ML-пайплайнов
• Полезен опыт в frontier AI research, масштабировании post-training или evaluation-команд, production агентных систем

Условия

• Годовой диапазон зарплаты: $100,000–$250,000 USD
• Visa sponsorship не предоставляется
• Работа в офисе в Мюнхене, Германия; также указаны Цюрих (Швейцария) и Сан-Франциско (США); возможны удалённые договорённости

Навыки

• Python
• Machine Learning
• post-training
• data pipelines
• evaluation frameworks
• benchmarks
• agent environments
• tool use
• reinforcement learning
• observability
• data validation
• provenance tracking