Продакшен ML-инженеры
Training, eval, serving и скучный клей вокруг модели, чтобы фича следующего квартала могла вызывать её без research-стажёра на дежурстве.
ИИ · МО · НЛП · Компьютерное зрение
Инженеры AI / ML которые поставляют продакшен-intelligence
AI / ML-найм — это не «тот, кто обучил Colab-notebook». Инженеры iQud поставляют generative features, модели, NLP и computer vision, которые переживают eval, serving и следующий dataset — не демо, которое так и не покинуло ноутбук.
- Модели, которые доходят до продакшена
- NLP и computer vision как продуктовая работа
- Generative features с eval, не на ощущениях
- Первый PR примерно за неделю
Сигналы поставки AI / ML
- 5 дТипичное время до первого pull request
- ПродServing и eval, не notebook-демо
- 4 поверхностиGenAI, модели, NLP и vision
- 2 нед.Каденция спринта с model review
Места AI / ML, которые мы реально закрываем
«AI / ML» — это не одна профессия. Мы матчим продуктовую поверхность, которая вам нужна: те же стеки, что стоят за live-страницами AI Development, ML Development, Computer Vision и NLP iQud.
01 02 Generative features, которые переживают eval
RAG, prompts и LLM product slices как owned-работа (с retrieval quality, fallbacks и cost), не chatbot-демо, работающее только на одном PDF.
03 NLP как продуктовая поверхность
Extraction, classification, search и language workflows с owner в репозитории — не sentiment script, который никто не может retrain после launch.
04 Computer vision в workflow
Detection, OCR и imaging intelligence на реальных входах — не YOLO-notebook, работающий только в sample-папке инженера.
05 MLOps, с которым следующий job может жить
Pipelines, versioning и monitoring как продуктовая работа — не слайд «мы продакшенизируем позже».
06 Когда Python API, prompt-only или CV-only место лучше
FastAPI fleet без модели, RAG chatbot без training loop или чистая imaging bench по-прежнему хотят другой найм. Мы скажем это на intro-звонке вместо навязывания смешанного AI / ML места.
Инструменты, которые они открывают в первый день
Каждая плитка — живая технологическая или сервисная страница iQud. Полоса ниже: AI / ML-каталог, который эти инженеры уже поставляют (TensorFlow, PyTorch, OpenAI, Hugging Face, OpenCV и остальной продакшен-стек), не backend или frontend dump.
От intro-звонка до влитого PR
AI / ML-найм должен поставлять модель, eval или generative slice в вашем репозитории, а не два месяца onboarding-театра, пока notebook остаётся слухом.
1 Картировать разрыв AI / ML
Модели vs NLP vs vision vs generative features, готовность данных, seniority, часы пересечения и что значит «готово за 30 дней» в serving или eval.
2 Шортлист настоящих инженеров
Мы матчим доступных специалистов AI / ML с вашим брифом и делимся работой по продакшен-модели, NLP, vision или generative feature.
3 Вы проводите интервью
Встретьте человека, который придёт на стендап. Проверьте, как он говорит о провалившемся eval, serving regression и последней модели, которой он реально владел за пределами notebook.
4 Первый спринт в ваших инструментах
Доступ к репо, data paths и первый pull request, обычно в течение недели после go.
Начните с одного места. Растите, если бэклог скажет.
Большинство клиентов сначала встраивают одного инженера AI / ML. Пара или surface split — только если работа этого действительно требует.
Один встроенный инженер
Специалист AI / ML присоединяется к вашему скваду, следует за лидом и работает в ваших ритуалах.
Лучше всего дляЗакрыть разрыв production-intelligence без нового вендорского процесса
Выделенное место AI / ML
Стабильный owner модели, NLP-поверхности или generative slice, со старшим ревью в спринте.
Лучше всего дляПродукт, которому нужен именной intelligence owner
Ограниченная AI / ML-инициатива
Определённый срез: первая продакшен-модель, NLP extraction path или generative feature с контрактами уже в движении.
Лучше всего дляВеха, на которую можно указать, а не открытая research bench
Ставки найма AI / ML, письменно
Два способа закрыть инженера AI / ML. Почасово для всплесков и определённых тикетов. Выделенное месячное место, если хотите кого-то на стендапе каждый день, по более низкой эффективной ставке, чем крутить часы.
Нанять почасово
2 000 ₽/ час
Гибкая ёмкость AI / ML для всплесков фич, evals и ограниченных тикетов. Платите только за отработанные часы.
- Те же инженеры AI / ML, что и на месячном месте
- Лучше всего для overflow, model fix или одного release
- Быстрый старт, пауза когда всплеск закончен
- Счёт по фактическим часам — не ретейнер
Лучшая ценность
Нанять на месяц
184 000 ₽/ месяц
Именной инженер AI / ML в вашем спринте, около 160 часов выделенной production-intelligence ёмкости, со старшим ревью в каденции.
Полный месяц по 2 000 ₽ — это 320 000 ₽. Это место — 184 000 ₽.
- Именной инженер в репо, data paths и стендапе
- Model, NLP, vision или generative работа в одном engagement
- Месяц за месяцем. Без годовой привязки.
- Дешевле, чем те же часы по 2 000 ₽
Ставки для выделенных инженеров AI / ML (продакшен-модели, NLP, computer vision, generative features). Микс seniority и пересечения подтверждаются на intro-звонке. Мы не котируем стек, который уже не поставляем.
Почему продуктовые команды закрывают AI / ML здесь
Посредственный AI / ML-разработчик делает notebook, который работает на ноутбуке. Эти инженеры делают фичу, которая переживает реальные данные, реальный eval и ваш следующий release.
Продакшен-работа, не «кто может обучить Colab-notebook»
Они живут в serving, eval, и в том, почему regression прошлой недели пришла от data leak, который должен был owned свой check.
Ваш репо, ваши данные, ваши часы
Пересечение GIFT City с Европой и США. Model reviews вживую, когда ваши лиды онлайн.
Старшие глаза на спринте
Скорость mid-level без бесконтрольного model debt. Ревью: часть engagement, не отдельный SKU.
Десять клиентов в квартал, нарочно
Мы не крутим скамейку. Ёмкость ограничена, чтобы инженер, которого вы интервьюируете, был тем, кто на стендапе.
Вопросы найма AI / ML
Начните с одного. Большинство клиентов встраивают одного senior или mid-level инженера AI / ML, затем добавляют пару, если model, NLP или generative бэклог это оправдывает.
Все четыре, когда это продуктовая работа. ML-место — training, eval и serving. NLP-место owned language workflows. Vision-место owned detection и OCR. Generative-место owned RAG и LLM product slices с eval. Мы шортлистим только инженеров на стеках, которые уже поставляем.
Это Python-найм или GenAI-product место — не этот смешанный продакшен AI / ML профиль. Скажите на intro-звонке. Мы не навяжем model-training место на API или prompt-only бриф.
После картирования роли и вашего OK первые pull request обычно приходят в течение недели, быстрее, если репо, data paths и serving environment готовы.
Да. GitHub, Jira, ваша CI, ваши стендапы. Мы не изобретаем параллельный процесс, если вы об этом не попросите.
Почасово (2 000 ₽), для всплесков и определённых тикетов: вы платите только за отработанные часы. Месячное место (184 000 ₽) — именной инженер AI / ML в вашем спринте, около 160 часов выделенной ёмкости. Тот же месяц, выставленный почасово, был бы 320 000 ₽. Seniority и пересечение подтверждаются на intro-звонке.
Дайте продукту инженера AI / ML, который может поставлять за пределами notebook
Скажите нам модели vs NLP vs vision vs generative features и первое, что хотите в продакшене. Мы вернёмся с именным профилем, окном старта и двухнедельным планом.