Лид ML-команды (AI)

Описание

КомпанияВнутренняя платформа AI-агентов для операционных процессов, включая управление качеством и цепочки поставок.Что делатьРуководить ML-командой: постановка задач, ревью, развитие инженеров, участие в найме и формировании структуры команды.Развивать платформу AI-агентов: выбирать архитектурные подходы, приоритизировать компоненты и фокусироваться на решении реальных операционных задач.Выводить модели и агентов в прод: выстраивать обучение, валидацию, деплой и мониторинг для стабильной работы в производственной среде.Строить MLOps-процессы: версионирование данных и моделей, воспроизводимость экспериментов, автоматизация пайплайнов и контроль качества.Синхронизироваться с продуктом и бизнесом: переводить задачи из управления качеством, цепочки поставок и других функций в ML-постановки.Обеспечивать качество моделей: мониторинг, реакция на дрейф данных и контроль метрик с учётом цены ошибки в регулируемой среде.ТребованияОпыт руководства ML- или Data-Science-командой: решения по найму, задачам и техническому направлению.Уверенный инженерный бэкграунд: понимание архитектуры распределённых систем и умение читать/обсуждать код.Практический опыт вывода моделей в продакшн: полный цикл до живого сервиса с устойчивым мониторингом.Знание MLOps-практик: CI/CD для ML, трекинг экспериментов, управление зависимостями и воспроизводимость.Понимание принципов агентных систем: оркестрация, инструменты, управление состоянием, надёжность.Умение общаться с не-ML-аудиторией (продукт, операционные функции, ИБ, юристы) и находить решения, устраивающие разные стороны.Культура и преимуществаРеальные задачи из управления качеством, цепочки поставок и производства без искусственных датасетов и учебных кейсов.Работа в среде, где технические решения влияют на безопасность и видны регуляторам и операционным командам.Сильное инженерное окружение и доступ к платформенной инфраструктуре и внутренним языковым сервисам.Возможность роста от технических решений к стратегии направления.Процесс наймаОбсуждение опыта руководства и технического направления, включая решения по найму и структуре команды.Разбор подходов к MLOps и выводу моделей в прод, а также примеров построения мониторинга и контроля качества.Согласование взаимодействия с продуктом/бизнесом и умения формулировать ML-постановки для операционных функций.Локация: Санкт-Петербург (гибрид)