Ingegneri ML di produzione
Training, eval, serving e la colla noiosa attorno a un modello, così la feature del prossimo trimestre può chiamarlo senza stagista di ricerca in turno.
AI · ML · PNL · Visione artificiale
Ingegneri AI / ML che consegnano intelligence in produzione
Un’assunzione AI / ML non è «qualcuno che ha addestrato un notebook Colab». Gli ingegneri iQud consegnano funzionalità generative, modelli, NLP e computer vision che sopravvivono a eval, serving e al prossimo dataset, non una demo che non ha mai lasciato il laptop.
- Modelli che raggiungono la produzione
- NLP e computer vision come lavoro di prodotto
- Funzionalità generative con eval, non a sensazione
- Primo PR in circa una settimana
Segnali di delivery AI / ML
- 5 gTempo tipico al primo pull request
- prodServing ed eval, non demo notebook
- 4 superficiGenAI, modelli, NLP e vision
- 2 sett.Cadenza di sprint con review del modello
I posti AI / ML che staffiamo davvero
«AI / ML» non è un mestiere solo. Abbiniamo la superficie di prodotto di cui avete bisogno: gli stessi stack dietro le pagine AI Development, ML Development, Computer Vision e NLP di iQud.
01 02 Funzionalità generative che sopravvivono all’eval
RAG, prompt e fette prodotto LLM trattati come lavoro owned (qualità del retrieval, fallback e costo), non una demo chatbot che funziona solo su un PDF.
03 NLP come superficie di prodotto
Estrazione, classificazione, ricerca e workflow linguistici posseduti nel repo, non uno script di sentiment che nessuno può riaddestrare dopo il lancio.
04 Computer vision nel workflow
Detection, OCR e intelligence di imaging su input reali, non un notebook YOLO che funziona solo sulla cartella campioni dell’ingegnere.
05 MLOps con cui il prossimo job può convivere
Pipeline, versioning e monitoring trattati come lavoro di prodotto, non una slide «lo metteremo in prod più tardi».
06 Quando un posto Python API, prompt-only o CV-only è meglio
Una flotta FastAPI senza modello, un chatbot RAG senza loop di training, o un banco imaging puro vuole ancora un’altra assunzione. Lo diremo nella call intro invece di forzare un posto AI / ML misto.
Strumenti che aprono il primo giorno
Ogni tessera è una pagina tecnologia o servizio iQud. La striscia sotto è il catalogo AI / ML che questi ingegneri già consegnano (TensorFlow, PyTorch, OpenAI, Hugging Face, OpenCV e il resto dello stack di produzione), non un dump backend o frontend.
Dalla call intro a un PR mergiato
Un’assunzione AI / ML deve consegnare un modello, un eval o una fetta generativa nel vostro repo, non due mesi di teatro di onboarding mentre il notebook resta una voce.
1 Mappare il buco AI / ML
Modelli vs NLP vs vision vs funzionalità generative, maturità dei dati, seniority, ore di overlap, e cosa significa «fatto in 30 giorni» in serving o eval.
2 Preselezionare ingegneri veri
Abbiniamo specialisti AI / ML disponibili al brief e condividiamo lavoro di modello di produzione, NLP, vision o funzionalità generativa rilevante.
3 Voi intervistate
Incontrate la persona che entrerà nello standup. Validate come parla di un eval fallito, di una regressione di serving, e dell’ultimo modello che ha davvero posseduto oltre il notebook.
4 Primo sprint nei vostri tool
Accesso al repo, percorsi dati e primo pull request, in genere entro una settimana dal go.
Partite da un posto. Crescete se il backlog lo dice.
La maggior parte dei clienti incorpora prima un ingegnere AI / ML. Una coppia o uno split di superficie solo se il lavoro lo richiede davvero.
Un ingegnere incorporato
Uno specialista AI / ML entra nel vostro squad, segue il lead e lavora nei vostri rituali.
Ideale perChiudere un buco di intelligence di produzione senza un nuovo processo vendor
Posto AI / ML dedicato
Un owner stabile per il modello, la superficie NLP o la fetta generativa, con review senior sullo sprint.
Ideale perUn prodotto che ha bisogno di un owner intelligence nominato
Iniziativa AI / ML delimitata
Una fetta definita: un primo modello di produzione, un percorso di estrazione NLP, o una funzionalità generativa con contratti già in movimento.
Ideale perUn traguardo a cui puntare, non una panchina di ricerca aperta
Tariffe di hiring AI / ML, per iscritto
Due modi per staffare un ingegnere AI / ML. A ore per spike e ticket definiti. Un posto mensile dedicato se volete qualcuno nello standup ogni giorno, a un tasso effettivo più basso che far girare l’orologio.
Assumere a ore
20 €/ ora
Capacità AI / ML flessibile per spike di feature, eval e ticket delimitati. Pagate solo le ore lavorate.
- Gli stessi ingegneri AI / ML di un posto mensile
- Ideale per overflow, un fix di modello o una singola release
- Partire in fretta, mettere in pausa quando lo spike è finito
- Fatturato sulle ore reali, non un retainer
Miglior valore
Assumere per un mese
1840 €/ mese
Un ingegnere AI / ML nominato sul vostro sprint, circa 160 ore di capacità intelligence di produzione dedicata, con review senior nella cadenza.
Un mese pieno a 20 € è 3200 €. Questo posto è 1840 €.
- Ingegnere nominato in repo, percorsi dati e standup
- Lavoro modello, NLP, vision o generativo nello stesso engagement
- Mese per mese. Nessun vincolo annuale.
- Meno costoso delle stesse ore fatturate a 20 €
Tariffe per ingegneri AI / ML dedicati (modelli di produzione, NLP, computer vision, funzionalità generative). Mix di seniority e overlap si confermano nella call intro. Non quotiamo uno stack che non consegniamo già.
Perché i team di prodotto staffano AI / ML qui
Uno sviluppatore AI / ML mediocre produce un notebook che funziona sul laptop. Questi ingegneri producono una feature che sopravvive a dati reali, eval reale e alla prossima release.
Lavoro di produzione, non «chi può addestrare un notebook Colab»
Vivono in serving, eval, e nel perché la regressione della scorsa settimana veniva da una data leak che doveva possedere il proprio check.
Il vostro repo, i vostri dati, le vostre ore
Overlap GIFT City con Europa e USA. Le review del modello avvengono live quando i lead sono online.
Occhi senior sullo sprint
Velocità mid-level senza debito di modello senza supervisione. La review è parte dell’engagement, non uno SKU extra.
Dieci clienti a trimestre, di proposito
Non facciamo girare una panchina. La capacità è limitata perché l’ingegnere che intervistate sia quello nello standup.
Domande di hiring AI / ML
Partite da uno. La maggior parte dei clienti incorpora un ingegnere AI / ML senior o mid, poi aggiunge una coppia se il backlog modello, NLP o generativo lo giustifica.
Tutti e quattro quando è lavoro di prodotto. Un posto ML è training, eval e serving. Un posto NLP possiede workflow linguistici. Un posto vision possiede detection e OCR. Un posto generativo possiede RAG e fette prodotto LLM con eval. Preselezioniamo solo ingegneri su stack che già consegniamo.
È un’assunzione Python, o un posto GenAI prodotto, non questo profilo AI / ML misto di produzione. Ditelo nella call intro e non imporremo un posto training modello a un brief API o prompt-only.
Dopo aver mappato il ruolo e il vostro OK, i primi pull request arrivano in genere entro una settimana, più in fretta se repo, percorsi dati e ambiente serving sono pronti.
Sì. GitHub, Jira, la vostra CI, i vostri standup. Non inventiamo un processo parallelo a meno che non lo chiediate.
A ore (20 €) è per spike e ticket definiti, pagate solo le ore lavorate. Il posto mensile (1840 €) è un ingegnere AI / ML nominato sul vostro sprint, circa 160 ore di capacità dedicata. Lo stesso mese fatturato a ore sarebbe 3200 €. Seniority e overlap si confermano nella call intro.
Date al prodotto un ingegnere AI / ML che possa consegnare oltre il notebook
Diteci modelli vs NLP vs vision vs funzionalità generative, e la prima cosa che volete in produzione. Torneremo con un profilo nominato, una finestra di partenza e un piano di due settimane.