ML-инженер Applied AI
Brain Co. строит AI-native операционные системы для крупных регулируемых институтов. Каждая система создаётся для конкретной отрасли и работает на агентах, продвигающих реальные рабочие процессы. В основе — проприетарная платформа Atlas, обеспечивающая контроль заказчика, безопасность по дизайну и отсутствие привязки к одной модели. Компания вступает в фазу production-развёртываний национального масштаба; команда собрана из специалистов Palantir, Google, Meta и Nvidia, растёт присутствие в госсекторе, страховании, здравоохранении и финансовых услугах.
Роль: Machine Learning Engineer, Applied AI.
Задачи:
- Превращать неопределённость в работающие системы: от отсутствия постановки задачи, размеченных данных и согласованного определения успеха до корректно поставленных ML-задач и production-развёртываний.
- Вести AI-системы end-to-end: человек, обучающий модель, отвечает за её поведение в продакшене, без передачи ответственности.
- Работать на исследовательском фронтире с production-ставками, применяя LLM, RL fine-tuning и агентные системы там, где результат — решение, на которое институт опирается.
- Работать напрямую с институтами-заказчиками (permit reviewers, underwriters, compliance officers), чтобы понимать, как реально принимаются решения, и обеспечивать изменение рабочих процессов.
- Проектировать с учётом production-реальности: точность, задержка, стоимость и надёжность в средах, гораздо более хаотичных, чем любой бенчмарк.
- Поднимать планку в компании через design reviews, внутренний paper club и общий playbook.
- Работать над композитными AI-системами и credit assignment: цепочки vision transformers, segmentation-моделей, VLM reasoning и rule engines; определять, какой компонент отказал.
- Строить модели для понимания документов за пределами фронтира: чертежи, планы участков, стеки политик, контракты, клинические записи — плотные мультимодальные документы, ломающие готовые модели.
- Проектировать данные, evals и training loops для агентов, обучающихся на верифицированных ground-truth исходах каждого решения.
- Строить eval-сьюты и таксономии failure-mode, достаточно строгие для институционального одобрения.
- Работать над двумя контурами Institutional Intelligence: исправленный факт распространяется на все приложения, а система, строящая интеллект, учится строить его лучше.
Требования:
- Понимание того, как на самом деле работает машинное обучение: не только инструменты, но и философия — что реально оптимизирует функция потерь, как обобщение ломается при distribution shift, почему оценка — место, где системы тихо ошибаются.
- Работа на переднем крае современного AI с инстинктами для максимального использования LLM и агентных систем: prompting, fine-tuning, tool use, reasoning.
- Умение определять, когда fine-tuned segmentation model лучше VLM, когда rule engine лучше обоих, и как скомпоновать все три в систему точнее любой отдельной модели.
- Отношение к фронтирным моделям как к компонентам, которые нужно измерять, улучшать и проектировать, а не как к магии.
- Энергия от создания того, чего раньше не существовало, и комфорт в ситуации, когда задачу, данные и определение успеха приходится изобретать одновременно.
Условия:
- Локация: Абу-Даби.
- Зарплата: по договорённости.
- Проекты доходят до продакшена и должны создавать измеримую ценность для заказчика.
- Работа с исключительными коллегами над сложнейшими задачами прикладного AI.