AI Engineer / Agentic AI Engineer - Remote (Deutschland) mit gelegentlichem Vor-Ort-Tag

در مورد این نقش

Wir Sind ein Spezialisiertes AI-Engineering- und FullStack-Team و bauen productive LLM-/Agenten-Systeme für unsere Kunden — Kein PoC-Theater، Keine Powerpoint-Decks، Keine «Slide-Architekten». Wir beraten partnerschaftlich auf Augenhöhe und liefern Software، die in Produktion läuft. Du kannst hier Probleme lösen, ohne dass dich dabei Titel oder feste Rollendefinitionen einschränken — die gibt es bei uns nicht. Unsere Jobs sind nicht starr, sie dienen dir nur zur Orientierung. Du wirst nicht auf (d)einen Job begrenzt, sondern entwickelst dich quer durch AI Engineering, Backend, Platform und Consulting weiter. Du stehst mit deinen individuellen Zielen، Vorstellungen und Stärken im Vordergrund. Du gestaltest deine Karriere bei Arcode proaktiv mit. Wichtig: Da wir eng mit unseren Kunden im D

مهارت ها / دسته بندی ها

درباره نقش های داده / میلی لیتر

نقش داده ها و ML به سه گروه تقسیم می شود: تحلیلگران (SQL، داشبورد، سوالات تجاری)، مهندسان (خطوط لوله، زیرساخت)، و دانشمندان (مدل سازی، آزمایش). عنوان شغل همیشه به شما نمی گوید کدام یک - توضیحات را با دقت بخوانید.

مهارت های معمولی: SQL، Python، پانداها، آمار اولیه. نقش‌های ML scikit-learn / PyTorch / TensorFlow را اضافه می‌کنند. نقش های مهندسی جریان هوا / dbt / جرقه را اضافه می کند

بینش حقوق و دستمزد (ایالات متحده، تقریبی)

محدوده معمولی برای نقش های داده / میلی لیتر در ایالات متحده است 85000 تا 240000 دلار در سال، به طور گسترده ای با سابقه، مرحله شرکت و شهر متفاوت است.

فقط برآورد برای اعداد خاص شرکت، level.fyi (tech)، Glassdoor را بررسی کنید یا در مصاحبه بپرسید.

چگونه برای مصاحبه آماده شویم

جداسازی مصاحبه های داده ها: تحلیلگران دریافت SQL + سوالات مطالعه موردی، مهندسین دریافت طراحی خط لوله + کدگذاری، دانشمندان دریافت آمار + مدل‌سازی ML + گاهی اوقات مجموعه داده‌های اصلی. JD را با دقت بخوانید و با طعم واقعی آماده شوید - برای نقش تحلیلگر وقت خود را در PyTorch تلف نکنید.

سوالات متداول در هر سه مورد: چگونه موفقیت [ویژگی محصول] را اندازه گیری می کنید؟, "من را در پروژه ای راهنمایی کنید که در آن داده ها چیز شگفت انگیزی را به شما گفته اند"، و توابع پنجره SQL (LAG، ROW_NUMBER، PARTITION BY - اینها را به طور خاص تمرین کنید). برای نقش‌های ML، منتظر سؤالی در مورد تطبیق بیش‌ازحد، مبادله بایاس واریانس، و نحوه اشکال‌زدایی مدلی باشید که در آموزش عملکرد خوبی دارد و در تولید بد عمل می‌کند.

جایی که این نقش به طور معمول منجر می شود

مسیرهای شغلی در داده/ML با بلوغ این رشته آشفته تر شده است. واضح ترین پیشرفت: تحلیلگر جوان → تحلیلگر ارشد → مدیر تجزیه و تحلیل در سمت تحلیلگر، مهندس داده های جوان → ارشد → کارکنان در سمت مهندسی، و Junior DS → Senior DS → Principal DS / ML Lead در سمت مدل سازی اوج دستمزد برای مهندسان ML + دانشمندان تحقیقاتی در شرکت های بزرگ فناوری بالاترین میزان است.

حرکات متقابل رشته‌ای رایج هستند: تحلیلگرانی که مهندسی را یاد می‌گیرند، اغلب مهندسانی را که زمینه کسب‌وکار را یاد نگرفته‌اند، به دست می‌آورند. به کسب و کار نزدیک بمانید – افراد با ارزش ترین داده ها آنهایی هستند که مدیران اجرایی در بحث های استراتژی وارد می کنند، نه کسانی که به تنهایی داشبورد می سازند.

پرچم های قرمز برای تماشا

• نقش "دانشمند داده" که واقعاً یک تحلیلگر SQL است. مسئولیت‌ها را با دقت بخوانید - اگر همه داشبوردها و درخواست‌های موقتی باشد، یک نقش تحلیلگر با عنوان علمی است.
• هیچ اشاره ای به همکاری ذینفعان نشده است. کار داده به صورت مجزا معمولاً کار داده ای است که نادیده گرفته می شود. این نقش باید با یک تیم تجاری تعبیه شود.
• "AI / ML" در همه جا ذکر شده است اما هیچ چیز خاصی وجود ندارد. اگر آنها نتوانند مشکلات واقعی را که می خواهند با ML حل کنند نام ببرند، این شرکت در حال خرید کلمات کلیدی است.
• درخواست "10+ سال پایتون" یا ترکیبات غیرممکن. یا JD توسط HR بدون ورودی از یک تیم داده نوشته شده است، یا این شرکت انتظارات غیر واقعی دارد.

سوالات متداول

نقش های بیشتر برای کشف