Inżynier automatyzacji AI i generatywnej AI
O tej roli
Poszukujemy inżyniera ds. automatyzacji i generowania AI do wsparcia szybko rozwijającej się organizacji w USA. Osoba ta będzie tworzyć aplikacje oparte na sztucznej inteligencji, automatyzację przepływu pracy, integracje LLM i rozwiązania do automatyzacji procesów biznesowych. Idealny kandydat jest osobą praktyczną, dobrze znającą język Python, znającą się na pracy z interfejsami API i doświadczoną w przekształcaniu narzędzi AI w praktyczne rozwiązania biznesowe. Jest to dobre rozwiązanie dla kogoś, kto tworzy aplikacje AI, narzędzia do wewnętrznej automatyzacji, systemy RAG, chatboty, agentów AI lub przepływy pracy oparte na LLM. Kluczowe obowiązki Tworzenie i integrowanie aplikacji, przepływów pracy i systemów automatyzacji opartych na sztucznej inteligencji Opracowywanie narzędzi opartych na LLM, agentów AI, chatbotów i rozwiązań zwiększających produktywność wewnętrzną Integrowanie interfejsów API OpenAI, Anthropic, Gemini lub innych generatywnych interfejsów API AI z
Umiejętności / kategorie
Informacje o rolach danych/ml
Role danych i uczenia maszynowego dzielą się na trzy obozy: analitycy (SQL, dashboardy, pytania biznesowe), inżynierowie (rurociągi, infrastruktura) i naukowcy (modelowanie, eksperymentowanie). Tytuł stanowiska nie zawsze wskazuje, który – przeczytaj uważnie opis.
Typowe umiejętności: SQL, Python, pandy, podstawowe statystyki; Role ML dodaj scikit-learn / PyTorch / TensorFlow; role inżynieryjne dodają Airflow / dbt / Spark
Statystyki wynagrodzeń (USA, przybliżone)
Typowy zakres ról danych/ml w USA to 85 000–240 000 dolarów rocznieróżnią się znacznie w zależności od stażu pracy, etapu w firmie i miasta.
Tylko szacunki. Aby uzyskać numery dotyczące konkretnej firmy, sprawdź poziomy.fyi (tech), Glassdoor lub zapytaj podczas rozmowy kwalifikacyjnej.
Jak przygotować się do rozmowy kwalifikacyjnej
Podział wywiadów na dane: analitycy uzyskaj pytania SQL + case-study, inżynierowie pobierz projekt rurociągu + kodowanie, naukowcy uzyskaj statystyki + modelowanie ML + czasami zestaw danych do wykorzystania. Przeczytaj uważnie JD i przygotuj się na faktyczny smak — nie trać czasu na PyTorch w roli analityka.
Często zadawane pytania we wszystkich trzech przypadkach: „Jak zmierzyłbyś sukces [cechy produktu]?”, „Przeprowadź mnie przez projekt, w którym dane powiedziały ci coś zaskakującego”, i Funkcje okna SQL (LAG, ROW_NUMBER, PARTITION BY — przećwicz je specjalnie). W przypadku ról uczenia maszynowego spodziewaj się pytań na temat nadmiernego dopasowania, kompromisu wariancji odchylenia oraz sposobu debugowania modelu, który dobrze radzi sobie w szkoleniu i źle w produkcji.
Dokąd zazwyczaj prowadzi ta rola
W miarę dojrzewania dyscypliny ścieżki kariery w obszarze danych/ML stały się bardziej chaotyczne. Najwyraźniejszy postęp: Młodszy Analityk → Starszy Analityk → Menedżer ds. Analityki po stronie analityka, Młodszy Inżynier Danych → Starszy → Personel po stronie inżynierskiej i Junior DS → Senior DS → Główny DS / ML Lead po stronie modelarskiej. Najwyższy poziom wynagrodzeń osiągają inżynierowie ML i naukowcy w firmach dużych technologii.
Powszechne są ruchy międzydyscyplinarne: analitycy, którzy uczą się inżynierii, często przewyższają inżynierów, którzy nie nauczyli się kontekstu biznesowego. Trzymaj się blisko firmy — najcenniejsze dane to te, które menedżerowie wnoszą do dyskusji na temat strategii, a nie te, które samodzielnie tworzą dashboardy.
Czerwone flagi, na które warto zwrócić uwagę
- Rola „naukowca danych”, która tak naprawdę jest analitykiem SQL. Przeczytaj uważnie zakres obowiązków — jeśli są to wszystkie dashboardy i zapytania ad hoc, jest to rola analityka z tytułem naukowym.
- Nie ma wzmianki o współpracy zainteresowanych stron. Praca z danymi w izolacji to zwykle praca z danymi, która jest ignorowana. Rola ta musi być osadzona w zespole biznesowym.
- „AI / ML” wymienione wszędzie, ale bez szczegółów. Jeśli nie potrafią nazwać rzeczywistych problemów, które chcą rozwiązać za pomocą ML, firma popada w modne hasła.
- Prośba o „ponad 10 lat Pythona” lub niemożliwe kombinacje. Albo JD został napisany przez dział HR bez wkładu zespołu zajmującego się danymi, albo firma ma nierealistyczne oczekiwania.
Często zadawane pytania
Jak aplikować na tę rolę?
Kliknij przycisk „Aplikuj w Arbeitnow” u góry tej strony. Zostaniesz wysłany na pierwotne stanowisko, gdzie pracodawca przyjmuje aplikacje. Wikishopline nie zbiera CV ani nie przetwarza aplikacji.
Czy to ogłoszenie jest aktualne?
Wikishopline codziennie agreguje oferty pracy ze źródeł partnerskich (arbeitnow). Ogłoszenia starsze niż ~14 dni są usuwane, ale zawsze upewnij się, że stanowisko jest nadal otwarte na stronie pracodawcy, zanim poświęcisz czas na list motywacyjny.
Czy Wikishopline pobiera opłaty od pracodawców lub kandydatów?
Nie. Zagregowane oferty pracy są bezpłatne dla obu stron. Wikishopline akceptuje również płatne wpisy o wartości 5 USD za 30 dni na stronie /jobs/submit dla pracodawców, którzy chcą bezpośredniej widoczności — ale ogłoszenie, które przeglądasz, pochodzi od partnera.
Z czym zazwyczaj wiąże się rola danych/ml?
Role danych i uczenia maszynowego dzielą się na trzy obozy: analitycy (SQL, dashboardy, pytania biznesowe), inżynierowie (rurociągi, infrastruktura) i naukowcy (modelowanie, eksperymentowanie). Tytuł stanowiska nie zawsze wskazuje, który – przeczytaj uważnie opis.
Jaki jest typowy zakres wynagrodzeń na stanowiskach zajmujących się danymi/ml w USA?
Około 85 000–240 000 USD rocznie, w zależności od stażu pracy, lokalizacji i etapu firmy. Jest to celowo szeroki asortyment — sprawdź w plikulevels.fyi lub Glassdoor dla konkretnej firmy.