ML-инженер, LLM и кибербезопасность

О роли

В Maze вы станете техническим лидером, который развивает ML-инфраструктуру от экспериментов до продакшена, обеспечивая измеримый эффект AI-решений в кибербезопасности для клиентов по всему миру. Это возможность присоединиться к ранней инженерной команде хорошо финансируемого стартапа, создающего прорывные приложения на основе LLM и AI-агентов в кибербезопасности. Вы возьмёте на себя полную ответственность за фреймворки оценки, продакшен-ML-пайплайны и интеграцию ML между командами, работая в тесном контакте с CTO и продуктовыми командами, чтобы превращать передовые AI-исследования в надёжные масштабируемые решения для реальных задач безопасности. Успех будет измеряться улучшением производительности агентов и влиянием на продуктовые инновации, а не только техническими метриками. Роль подходит для практикующего ML-инженера, который масштабировал продакшен-ML-системы в нескольких компаниях, мыслит как продуктовый разработчик и хочет заниматься продакшенизацией LLM и ML для решения значимых проблем.

Задачи

• Создание продакшен-систем оценки: проектирование и внедрение комплексных фреймворков для измерения производительности агентов, отслеживания улучшений и обеспечения стабильной ценности AI-систем для клиентов.
• Пайплайн от экспериментов до продакшена: владение полным жизненным циклом ML от прототипа до продакшена, создание масштабируемых систем для быстрой итерации при сохранении надёжности и производительности в клиентских средах.
• Интеграция ML между командами: тесная работа с продуктовыми командами для встраивания ML-возможностей в пользовательские функции, чтобы техническое совершенство превращалось в пользовательскую ценность и продуктовую дифференциацию.
• Оптимизация производительности AI-агентов: постоянное улучшение агентов через систематические эксперименты, промт-инжиниринг и архитектурные улучшения; измерение успеха через влияние на клиентов и производительность системы.
• Масштабирование ML-инфраструктуры: создание базовых ML-систем, мониторинга и инструментов для роста от стартапа до масштабной компании, позволяющих быстро внедрять новые возможности без потери качества.
• Взаимодействие с инженерным руководством: прямая работа с CTO через регулярные встречи и стратегическое согласование, при высокой автономии и самостоятельности в повседневной работе.
• Наставничество: естественное наставничество для младших ML-инженеров через код-ревью, технические рекомендации и передачу практического опыта создания продакшен-ML-систем.

Требования

• Опыт продакшен-ML: 6+ лет создания и масштабирования ML-систем в продакшене, практический опыт перехода от экспериментов к развёртыванию для клиентов.
• Фундамент в глубоких нейросетях: сильная база в классических нейросетях и основах глубокого обучения перед специализацией на современных LLM и трансформерах — понимание основ, а не только новейших инструментов.
• Продуктовый ML-подход: опыт создания ML-систем, решающих реальные бизнес-задачи, с подтверждённым опытом интеграции систем классификации, предсказания или рекомендаций в реальные продукты.
• Опыт в нескольких компаниях: работа в разных организациях (масштабирующиеся стартапы, стартапы или их сочетание), дающая практическое знание, что строить, а что покупать, и как избегать переусложнения.
• Техническая универсальность: сильные навыки Python, гибкость в использовании ML-фреймворков и инструментов, готовность адаптироваться к стеку, включая LangChain, фреймворки оценки и оркестрации рабочих процессов, такие как Temporal.
• Самостоятельное лидерство: способность действовать автономно, сохраняя тесное согласование с руководством, комфортно с частыми проверками, но способность самостоятельно вести проекты.
• Кросс-функциональное взаимодействие: опыт работы с продуктовыми командами и, возможно, с клиентами, перевод технических возможностей в бизнес-ценность и пользовательский опыт.

Плюсы

• Опыт с AI-агентами, LLM или современными генеративными AI-приложениями.
• Знание кибербезопасности или опыт применения ML для задач безопасности.
• Опыт работы в ML-first компаниях или организациях, где ML был ядром продукта.
• Опыт с современными MLOps-практиками и облачной ML-инфраструктурой.
• Подтверждённый опыт оптимизации производительности моделей и контроля затрат на AI-системы.

Условия

• Реальное влияние AI: продакшенизация LLM и машинного обучения для решения значимых проблем кибербезопасности — ваша работа будет напрямую защищать организации от реальных угроз, а не только оптимизировать внутренние метрики.