Founding Machine Learning Engineer

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

Founding ML-инженер в ранний AI-стартап: отвечать за ML-функцию целиком, формировать post-training и агентные системы вместе с основателями и исследователями, задавать технические приоритеты и развивать ML-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 replay
• Обеспечивать валидацию и отслеживание происхождения данных для качества траекторий и данных
• Определять приоритеты ML-роадмапа по системам, экспериментам и найму
• Вести техническое направление растущей ML-команды

Требования

• Не менее 3 лет профессионального опыта ML-инженерии с production ML-системами
• Сильные навыки ML и software engineering, production-опыт с Python и системным программированием для ML-инфраструктуры
• Практический опыт post-training ML, включая пайплайны структурирования, фильтрации и оценки обучающих данных
• Опыт проектирования и внедрения фреймворков оценки и бенчмарков для ML-моделей
• Знание траекторий, reward-структур, tool use и дизайна агентных окружений
• Опыт с reinforcement learning, агентными окружениями, replay-системами, инструментами отладки, валидацией данных, provenance или наблюдаемостью ML-пайплайнов
• Опыт в frontier AI research или масштабных post-training и evaluation командах будет плюсом
• Умение связывать research и production, брать ответственность и работать в условиях неопределённости

Условия

• Зарплата от $100,000 до $250,000 USD в год
• Visa sponsorship не предоставляется
• Офис в Мюнхене, Германия; также Цюрих, Швейцария и Сан-Франциско, Калифорния

Навыки

• Python
• Machine Learning
• Post-training
• Reinforcement Learning
• Agent environments
• Evaluation frameworks
• Benchmarks
• Data pipelines
• Replay systems
• Observability
• Data validation
• Provenance tracking