Senior Machine Learning Engineer

Technologie, których używamy

O projekcie

Twój zakres obowiązków

• Własny R&D: Prowadzenie eksperymentów prognostycznych end-to-end — od postawienia hipotezy, przez automatyzację agentową AI, po raportowanie i obronę wniosków.
• Wdrożenie standardu badań: Wyznaczenie i egzekwowanie metodyki eksperymentalnej dla całego zespołu (jasna hipoteza, poprawny split, baseline, kryterium stopu). Dostajesz w tym obszarze pełną samodzielność.
• Sparing merytoryczny: Review prac zespołu — weryfikacja poprawności walidacji, wyłapywanie przecieków danych (data leakage), ocena stabilności modeli w oknach czasowych.
• Świadomy dobór narzędzi: Decydowanie, kiedy użyć gradient boostingu, sieci neuronowych, czy modeli fundamentalnych (Chronos, TimesFM), a kiedy odpuścić dany kierunek.
• Kontakt z klientem: Prowadzenie merytorycznych dyskusji technicznych i prezentowanie wyników po angielsku.

Nasze wymagania

• Doświadczenie w trudnych projektach: Udokumentowana, samodzielna realizacja projektów prognostycznych na zaszumionych szeregach czasowych o niskim stosunku sygnału do szumu (krypto, finanse, biosygnały, CTR, predictive maintenance) w ujęciu end-to-end — wraz z umiejętnością omówienia kryteriów przerwania nieudanych eksperymentów.
• Zaawansowana walidacja szeregów czasowych: Biegłe projektowanie schematów walidacji z uwzględnieniem specyfiki danych czasowych (walk-forward, purging, embargo, dobór okien, zmiany reżimu) oraz pełna świadomość, dlaczego klasyczny, losowy k-fold jest błędem metodycznym.
• Rozumienie specyfiki niskiego SNR: Świadomość, że przy wysokim szumie trafność na poziomie 52% może być wartościowym wynikiem, podczas gdy wynik 65%+ wskazuje niemal zawsze na błąd walidacyjny lub przeciek danych (data leakage).
• Podejście baseline-first oraz sprawność działania: Umiejętność dostarczenia prostego modelu bazowego w kilka dni (a nie tygodni) oraz gotowość do rezygnacji ze złożonych sieci neuronowych, jeśli nie generują przewagi nad baseline'em.
• Solidne podstawy statystyczne i analityczne: Praktyczna znajomość pojęć istotności i mocy testów, problemu wielokrotnego testowania, przedziałów ufności oraz stacjonarności. Umiejętność interpretacji zachowań sieci (krzywe uczenia) i natychmiastowego wyłapywania przetrenowania.
• Inżynieria oprogramowania i stack technologiczny: Produkcyjna znajomość Pythona, higiena pracy w systemie Git, tworzenie powtarzalnych środowisk (uv, venv, Docker) oraz codzienna praca z DuckDB i formatem Parquet.
• Pragmatyczne wykorzystanie LLM: Używanie narzędzi AI do budowania pipeline'ów i boilerplate'u przy jednoczesnej bezwzględnej, ręcznej weryfikacji logiki podziału danych oraz konstrukcji targetu.
• Zwinna samodzielność i kompetencje językowe: Umiejętność samodzielnego planowania pracy bez potrzeby szczegółowo rozpisywanych ticketów, przy jednoczesnym wyczuciu momentu na konsultację techniczną z zespołem. Biegła znajomość języka polskiego (komunikacja wewnętrzna) oraz angielskiego w stopniu umożliwiającym swobodne dyskusje z klientem.

Mile widziane

• Znajomość specyfiki rynków energii (RDN, TGE, PSE) lub mechaniki krypto (spot vs pochodne).
• Chłodna, krytyczna ocena akademickich benchmarków modeli fundamentalnych.

To oferujemy

• Trwałą i stabilną współpracę.
• Pracę hybrydową w nowoczesnym, doskonale skomunikowanym biurze w Warszawie, Śródmieście (Budynek Focus).
• Czas pracy dostosowany do Twoich potrzeb.
• Lektoraty z języka angielskiego.
• Prywatną opiekę medyczną.
• Dofinansowanie do zajęć sportowych / kartę sportową.
• Indywidualne, elastyczne i ludzkie podejście do ludzi oraz ich sytuacji życiowych.

Takie dajemy możliwości rozwoju

Benefity