Inżynier /-ka sztucznej inteligencji

NASK SCIENCE, działając w ramach NASK, prowadzi prace badawczo-rozwojowe w dziedzinach cyberbezpieczeństwa, informatyki i sztucznej inteligencji. W NASK SCIENCE kształtujemy świat, odpowiedzialnie rozwijając technologię służącą społeczeństwu. Społeczne i komercyjne wyzwania ujmujemy w ramy nauki, by dojść do innowacyjnych wyników. Wykrywamy rozsiewanie (dez)informacji w sieciach społecznościowych. Rozwijamy ogólnokrajowe systemy cyberbezpieczeństwa. Tworzymy algorytmy sztucznej inteligencji wspomagające skomplikowane operacje chirurgiczne, sprawdzanie tożsamości, a nawet analizę ruchu zawodników na boisku.

• Wykształcenie wyższe (informatyka, matematyka, sztuczna inteligencja, inżynieria danych lub kierunki pokrewne)
• Doświadczenie w obszarze uczenia maszynowego / sztucznej inteligencji
• Dobrze rozwinięte umiejętności inżynierskie w kontekście projektowania i utrzymania systemów ML
• Doświadczenie w pracy z dużymi zbiorami danych
• Zaawansowana znajomość języka Python oraz bibliotek ML (PyTorch i/lub TensorFlow)
• Umiejętność pisania czytelnego, utrzymywalnego i testowalnego kodu (Git)
• Zainteresowanie oraz podstawowa znajomość zagadnień związanych z bezpieczeństwem systemów AI
• Znajomość języka angielskiego na poziomie umożliwiającym czytanie dokumentacji technicznej i publikacji naukowych

Nice to have:

• Doświadczenie w obszarze MLOps oraz CI/CD
• Praktyczna znajomość narzędzi do wersjonowania i zarządzania eksperymentami (np. MLflow, DVC, Weights & Biases)
• Doświadczenie z chmurą obliczeniową (AWS, GCP lub Azure)
• Znajomość konteneryzacji (Docker) i orkiestracji (Kubernetes)
• Doświadczenie we wdrażaniu i skalowaniu systemów ML/LLM w środowisku produkcyjnym
• Doświadczenie w optymalizacji wydajności modeli

• Projektowanie, trenowanie oraz ewaluacja dużych modeli językowych (LLM) z myślą o ich praktycznym zastosowaniu
• Przygotowywanie, przetwarzanie i wersjonowanie danych na potrzeby treningu i ewaluacji modeli
• Projektowanie, rozwój i optymalizacja systemów typu RAG (Retrieval-Augmented Generation)
• Implementacja pipeline’ów treningowych i inferencyjnych (offline oraz online)
• Wsparcie zespołu badawczego w przygotowywaniu prototypów oraz ich przechodzeniu do systemów produkcyjnych
• Budowa i utrzymanie infrastruktury eksperymentalnej (reprodukowalność eksperymentów, wersjonowanie modeli i danych)
• Integracja rozwiązań ML/LLM z istniejącymi systemami (API, mikroserwisy)