Лид ML-команды (AI)

TL;DR

Лид ML-команды (AI): Руководство командой, которая разрабатывает внутреннюю платформу AI-агентов и обеспечивает полный цикл поставки ML-решений в прод с акцентом на MLOps, стабильность в производственной среде и мониторинг деградации моделей. Фокус на выстраивании процессов обучения, валидации, деплоя, версионировании данных/моделей и оркестрации агентных систем с учётом требований безопасности реального производства.

Компания

Внутренняя платформа AI-агентов для операционных процессов, включая управление качеством и цепочки поставок.

Что делать

• Руководить 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.

Требования

• Опыт 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 преимущества

• Реальные 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 найма

• Обсуждение 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)