Produktions-ML-Ingenieure
Training, Eval, Serving und der langweilige Kleber um ein Modell, damit das Feature des nächsten Quartals es anrufen kann, ohne Research-Praktikant auf Abruf.
KI · ML · NLP · Computer Vision
AI / ML-Ingenieure die Produktions-Intelligence shippen
Ein AI / ML-Hire ist nicht „jemand, der ein Colab-Notebook trainiert hat“. iQud-Ingenieure shippen generative Features, Modelle, NLP und Computer Vision, die Eval, Serving und das nächste Dataset überleben, keine Demo, die nie den Laptop verlassen hat.
- Modelle, die Produktion erreichen
- NLP und Computer Vision als Produktarbeit
- Generative Features mit Eval, nicht mit Vibes
- Erste PR in etwa einer Woche
AI / ML-Delivery-Signale
- 5 TTypische Zeit bis zum ersten Pull Request
- ProdServing und Eval, keine Notebook-Demos
- 4 OberflächenGenAI, Modelle, NLP und Vision
- 2 Wo.Sprint-Kadenz mit Modell-Review
Die AI / ML-Sitze, die wir wirklich staffen
„AI / ML“ ist kein einzelner Job. Wir matchen die Produktoberfläche, die Sie brauchen: dieselben Stacks hinter iQuds Live-Seiten AI Development, ML Development, Computer Vision und NLP.
01 02 Generative Features, die Eval überleben
RAG, Prompts und LLM-Produktschnitte als owned Arbeit (mit Retrieval-Qualität, Fallbacks und Kosten), keine Chatbot-Demo, die nur auf einem PDF funktioniert.
03 NLP als Produktoberfläche
Extraktion, Klassifikation, Suche und Sprach-Workflows owned im Repo, kein Sentiment-Skript, das niemand nach dem Launch retrainieren kann.
04 Computer Vision im Workflow
Detection, OCR und Imaging-Intelligence auf echten Inputs, kein YOLO-Notebook, das nur im Sample-Ordner des Ingenieurs funktioniert.
05 MLOps, mit dem der nächste Job leben kann
Pipelines, Versionierung und Monitoring als Produktarbeit, keine „wir produktivieren es später“-Folie.
06 Wann ein Python-API-, Prompt-only- oder CV-only-Sitz besser ist
Eine FastAPI-Flotte ohne Modell, ein RAG-Chatbot ohne Training-Loop oder eine reine Imaging-Bank will immer noch einen anderen Hire. Das sagen wir im Intro-Call statt einen gemischten AI / ML-Sitz zu erzwingen.
Tools, die sie am ersten Tag öffnen
Jede Kachel ist eine Live-iQud-Technologie- oder Serviceseite. Das Band darunter ist der AI / ML-Katalog, den diese Ingenieure bereits shippen (TensorFlow, PyTorch, OpenAI, Hugging Face, OpenCV und der Rest des Produktions-Stacks), kein Backend- oder Frontend-Dump.
Vom Intro-Call zu einem gemergten PR
Ein AI / ML-Hire soll ein Modell, eine Eval oder einen generativen Schnitt in Ihrem Repo shippen, nicht zwei Monate Onboarding-Theater, während das Notebook ein Gerücht bleibt.
1 Die AI / ML-Lücke kartieren
Modelle vs NLP vs Vision vs generative Features, Datenreife, Seniority, Overlap-Stunden, und wie „fertig in 30 Tagen“ in Serving oder Eval aussieht.
2 Echte Ingenieure shortlisten
Wir matchen verfügbare AI / ML-Spezialisten auf Ihr Briefing und teilen relevante Produktionsmodell-, NLP-, Vision- oder generative-Feature-Arbeit.
3 Sie interviewen
Treffen Sie den Menschen, der ins Standup kommt. Validieren Sie, wie er über eine gescheiterte Eval, eine Serving-Regression und das letzte Modell spricht, das er wirklich über das Notebook hinaus owned hat.
4 Erster Sprint in Ihren Tools
Repo-Zugang, Datenpfade und erster Pull Request: typisch innerhalb einer Woche nach dem Go.
Starten Sie mit einem Sitz. Wachsen Sie, wenn der Backlog es sagt.
Die meisten Kunden betten zuerst einen AI / ML-Ingenieur ein. Ein Pair oder ein Surface-Split nur, wenn die Arbeit es wirklich braucht.
Ein eingebetteter Ingenieur
Ein AI / ML-Spezialist kommt in Ihren Squad, nimmt Richtung vom Lead und arbeitet in Ihren Ritualen.
Am besten fürEine Produktions-Intelligence-Lücke schließen ohne neuen Vendor-Prozess
Dedizierter AI / ML-Sitz
Ein stabiler Owner für das Modell, die NLP-Oberfläche oder den generativen Schnitt, mit Senior-Review im Sprint.
Am besten fürEin Produkt, das einen namentlichen Intelligence-Owner braucht
Begrenzte AI / ML-Initiative
Ein definierter Schnitt: ein erstes Produktionsmodell, ein NLP-Extraktionspfad oder ein generatives Feature mit Verträgen, die schon in Bewegung sind.
Am besten fürEin Meilenstein, auf den Sie zeigen können, keine offene Research-Bank
AI / ML-Hiring-Raten, schriftlich
Zwei Wege, einen AI / ML-Ingenieur zu staffen. Stündlich für Spikes und definierte Tickets. Ein dedizierter Monatssitz, wenn jemand jeden Tag in Ihrem Standup sein soll, zu einem niedrigeren Effektivsatz als die Uhr laufen zu lassen.
Stündlich einstellen
20 €/ Stunde
Flexible AI / ML-Kapazität für Feature-Spikes, Evals und begrenzte Tickets. Sie zahlen nur gearbeitete Stunden.
- Dieselben AI / ML-Ingenieure wie ein Monatssitz
- Am besten für Overflow, ein Modell-Fix oder eine einzelne Release
- Schnell starten, pausieren wenn der Spike vorbei ist
- Abgerechnet nach echten Stunden, kein Retainer
Bester Wert
Für einen Monat einstellen
1.840 €/ Monat
Ein namentlicher AI / ML-Ingenieur in Ihrem Sprint, etwa 160 Stunden dedizierte Produktions-Intelligence-Kapazität, mit Senior-Review in der Kadenz.
Ein voller Monat zu 20 € ist 3.200 €. Dieser Sitz ist 1.840 €.
- Namentlicher Ingenieur in Repo, Datenpfaden und Standup
- Modell-, NLP-, Vision- oder generative Arbeit im selben Engagement
- Monat für Monat. Keine Jahresbindung.
- Günstiger als dieselben Stunden zu 20 €
Raten für dedizierte AI / ML-Ingenieure (Produktionsmodelle, NLP, Computer Vision, generative Features). Seniority-Mix und Overlap werden im Intro-Call bestätigt. Wir quotieren keinen Stack, den wir nicht schon liefern.
Warum Produktteams AI / ML hier staffen
Ein mittelmäßiger AI / ML-Entwickler produziert ein Notebook, das auf seinem Laptop funktioniert. Diese Ingenieure produzieren ein Feature, das echte Daten, echte Eval und Ihr nächstes Release überlebt.
Produktionsarbeit, nicht „wer ein Colab-Notebook trainieren kann“
Sie leben in Serving, Eval, und warum die Regression der letzten Woche von einem Data Leak kam, der seinen eigenen Check hätte owned haben sollen.
Ihr Repo, Ihre Daten, Ihre Stunden
GIFT-City-Overlap mit Europa und den USA. Modell-Reviews live, wenn Ihre Leads online sind.
Senior-Augen auf dem Sprint
Mid-Level-Tempo ohne unüberwachte Modell-Schulden. Review ist Teil des Engagements, kein Extra-SKU.
Zehn Kunden pro Quartal, absichtlich
Wir drehen keine Bank. Die Kapazität ist begrenzt, damit der Ingenieur, den Sie interviewen, der im Standup ist.
AI / ML-Hiring-Fragen
Starten Sie mit einem. Die meisten Kunden betten einen Senior- oder Mid-Level-AI / ML-Ingenieur ein und fügen ein Pair hinzu, wenn der Modell-, NLP- oder generative Backlog es rechtfertigt.
Alle vier, wenn es Produktarbeit ist. Ein ML-Sitz ist Training, Eval und Serving. Ein NLP-Sitz owned Sprach-Workflows. Ein Vision-Sitz owned Detection und OCR. Ein generativer Sitz owned RAG und LLM-Produktschnitte mit Eval. Wir shortlisten nur Ingenieure auf Stacks, die wir schon liefern.
Das ist ein Python-Hire oder ein GenAI-Produktsitz, nicht dieses gemischte Produktions-AI / ML-Profil. Sagen Sie es im Intro-Call. Wir zwingen keinen Modell-Training-Sitz auf ein API- oder prompt-only-Briefing.
Nachdem wir die Rolle kartiert haben und Sie den Hire freigeben, landen erste Pull Requests typisch innerhalb einer Woche: schneller, wenn Repo, Datenpfade und Serving-Umgebung bereit sind.
Ja. GitHub, Jira, Ihre CI, Ihre Standups. Wir erfinden keinen parallelen Prozess, außer Sie fragen danach.
Stündlich (20 €) ist für Spikes und definierte Tickets. Sie zahlen nur gearbeitete Stunden. Der Monatssitz (1.840 €) ist ein namentlicher AI / ML-Ingenieur in Ihrem Sprint, etwa 160 Stunden dedizierte Kapazität. Derselbe Monat stündlich abgerechnet wäre 3.200 €. Seniority und Overlap werden im Intro-Call bestätigt.
Geben Sie dem Produkt einen AI / ML-Ingenieur, der über das Notebook hinaus shippen kann
Sagen Sie uns Modelle vs NLP vs Vision vs generative Features, und das Erste, das Sie in Produktion wollen. Wir kommen mit einem namentlichen Profil, einem Startfenster und einem Zwei-Wochen-Plan zurück.