Engenheiros ML de produção
Treino, eval, serving e a cola aborrecida à volta de um modelo, para que a funcionalidade do próximo trimestre o possa chamar sem estagiário de investigação de plantão.
IA · ML · PNL · Visão computacional
Engenheiros AI / ML que entregam inteligência em produção
Uma contratação AI / ML não é «alguém que treinou um notebook Colab». Os engenheiros da iQud entregam funcionalidades generativas, modelos, NLP e computer vision que sobrevivem ao eval, ao serving e ao próximo dataset, não uma demo que nunca saiu do portátil.
- Modelos que chegam à produção
- NLP e computer vision como trabalho de produto
- Funcionalidades generativas com eval, não a olho
- Primeiro PR em cerca de uma semana
Sinais de entrega AI / ML
- 5dTempo típico até ao primeiro pull request
- ProdServing e eval, não demos de notebook
- 4 superfíciesGenAI, modelos, NLP e visão
- 2 sem.Cadência de sprint com revisão de modelo
Os lugares AI / ML que realmente preenchemos
«AI / ML» não é um único ofício. Emparelhamos a superfície de produto de que precisa: as mesmas stacks por trás das páginas AI Development, ML Development, Computer Vision e NLP da iQud.
01 02 Funcionalidades generativas que sobrevivem ao eval
RAG, prompts e fatias produto LLM tratados como trabalho possuído (qualidade de retrieval, fallbacks e custo), não uma demo chatbot que só funciona num PDF.
03 NLP como superfície de produto
Extração, classificação, pesquisa e fluxos de linguagem possuídos no repo, não um script de sentimento que ninguém consegue retreinar após o lançamento.
04 Computer vision no workflow
Deteção, OCR e inteligência de imagem que correm em inputs reais, não um notebook YOLO que só funciona na pasta de amostras do engenheiro.
05 MLOps com os quais o próximo job pode conviver
Pipelines, versionamento e monitorização tratados como trabalho de produto, não um slide de «vamos levar a prod mais tarde».
06 Quando um lugar Python API, prompt-only ou CV-only é melhor
Uma frota FastAPI sem modelo, um chatbot RAG sem loop de treino, ou um banco de imagem puro ainda quer outra contratação. Diremo-lo na chamada intro em vez de forçar um lugar AI / ML misto.
Ferramentas que abrem no primeiro dia
Cada ladrilho é uma página de tecnologia ou serviço iQud. A faixa abaixo é o catálogo AI / ML que estes engenheiros já entregam (TensorFlow, PyTorch, OpenAI, Hugging Face, OpenCV e o resto da stack de produção), não um dump backend ou frontend.
Da chamada intro a um PR fundido
Uma contratação AI / ML deve entregar um modelo, um eval ou uma fatia generativa no vosso repositório, não dois meses de teatro de onboarding enquanto o notebook continua um rumor.
1 Mapear o fosso AI / ML
Modelos vs NLP vs visão vs funcionalidades generativas, maturidade de dados, seniority, horas de sobreposição, e o que é «feito em 30 dias» em serving ou eval.
2 Pré-selecionar engenheiros reais
Emparelhamos especialistas AI / ML disponíveis com o vosso brief e partilhamos trabalho de modelo de produção, NLP, visão ou funcionalidade generativa relevante.
3 Vocês entrevistam
Conheçam a pessoa que vai entrar no standup. Validem como fala de um eval falhado, de uma regressão de serving, e do último modelo que realmente possuiu para além do notebook.
4 Primeiro sprint nas vossas ferramentas
Acesso ao repo, caminhos de dados e primeiro pull request, normalmente numa semana após o go.
Comece com um lugar. Cresça se o backlog o disser.
A maioria dos clientes incorpora primeiro um engenheiro AI / ML. Um par ou um split de superfície só se o trabalho o precisar mesmo.
Um engenheiro incorporado
Um especialista AI / ML junta-se ao vosso squad, segue o lead e trabalha nos vossos rituais.
Ideal paraFechar um fosso de inteligência de produção sem um processo de vendor novo
Lugar AI / ML dedicado
Um owner estável para o modelo, a superfície NLP ou a fatia generativa, com revisão sénior no sprint.
Ideal paraUm produto que precisa de um owner de inteligência com nome
Iniciativa AI / ML delimitada
Uma fatia definida: um primeiro modelo de produção, um caminho de extração NLP, ou uma funcionalidade generativa com contratos já em movimento.
Ideal paraUm marco que possam apontar, não um banco de investigação aberto
Tarifas de contratação AI / ML, por escrito
Duas formas de staffar um engenheiro AI / ML. À hora para picos e tickets definidos. Um lugar mensal dedicado se quiserem alguém no standup todos os dias, a uma taxa efetiva mais baixa do que deixar o relógio correr.
Contratar à hora
20 €/ hora
Capacidade AI / ML flexível para picos de features, evals e tickets delimitados. Pagam apenas as horas trabalhadas.
- Os mesmos engenheiros AI / ML que um lugar mensal
- Ideal para overflow, um fix de modelo ou uma release única
- Começar depressa, pausar quando o pico acaba
- Faturado sobre horas reais, não um retainer
Melhor valor
Contratar por um mês
1840 €/ mês
Um engenheiro AI / ML com nome no vosso sprint, cerca de 160 horas de capacidade de inteligência de produção dedicada, com revisão sénior na cadência.
Um mês a tempo inteiro a 20 € é 3200 €. Este lugar é 1840 €.
- Engenheiro com nome no repo, caminhos de dados e standup
- Trabalho de modelo, NLP, visão ou generativo no mesmo engagement
- Mês a mês. Sem compromisso anual.
- Mais barato do que as mesmas horas faturadas a 20 €
Tarifas para engenheiros AI / ML dedicados (modelos de produção, NLP, computer vision, funcionalidades generativas). Mix de seniority e sobreposição confirmados na chamada intro. Não cotamos uma stack que não entregamos já.
Porque é que as equipas de produto staffam AI / ML aqui
Um programador AI / ML medíocre produz um notebook que funciona no portátil. Estes engenheiros produzem uma funcionalidade que sobrevive a dados reais, eval real e à próxima release.
Trabalho de produção, não «quem consegue treinar um notebook Colab»
Vivem em serving, eval, e porque a regressão da semana passada vinha de uma fuga de dados que deveria ter possuído o seu próprio check.
O vosso repo, os vossos dados, as vossas horas
Sobreposição GIFT City com a Europa e os EUA. As revisões de modelo acontecem em direto quando os leads estão online.
Olhos seniores no sprint
Velocidade mid-level sem dívida de modelo sem supervisão. A revisão faz parte do engagement, não um SKU extra.
Dez clientes por trimestre, de propósito
Não fazemos girar um banco. A capacidade é limitada para que o engenheiro que entrevistam seja o do standup.
Perguntas de contratação AI / ML
Comece com um. A maioria dos clientes incorpora um engenheiro AI / ML sénior ou mid, e depois acrescenta um par se o backlog de modelo, NLP ou generativo o justificar.
Os quatro quando é trabalho de produto. Um lugar ML é treino, eval e serving. Um lugar NLP possui fluxos de linguagem. Um lugar visão possui deteção e OCR. Um lugar generativo possui RAG e fatias produto LLM com eval. Só pré-selecionaremos engenheiros em stacks que já entregamos.
Isso é uma contratação Python, ou um lugar GenAI de produto, não este perfil AI / ML misto de produção. Digam-no na chamada intro e não imporremos um lugar de treino de modelo a um brief API ou prompt-only.
Depois de mapear o papel e o vosso OK, os primeiros pull requests aterram normalmente numa semana, mais rápido se o repo, caminhos de dados e ambiente de serving estiverem prontos.
Sim. GitHub, Jira, a vossa CI, os vossos standups. Não inventamos um processo paralelo a menos que peçam.
À hora (20 €) é para picos e tickets definidos, pagam só as horas trabalhadas. O lugar mensal (1840 €) é um engenheiro AI / ML com nome no vosso sprint, cerca de 160 horas de capacidade dedicada. O mesmo mês faturado à hora seria 3200 €. Seniority e sobreposição confirmam-se na chamada intro.
Dê ao produto um engenheiro AI / ML que consiga entregar para além do notebook
Digam-nos modelos vs NLP vs visão vs funcionalidades generativas, e a primeira coisa que querem em produção. Voltaremos com um perfil com nome, uma janela de arranque e um plano de duas semanas.