ML Solutions Architecture menedzser, Token Factory

Stack

Feladatok

• ▹8 Solutions Architect csapatának vezetése, folyamatos bővítéssel: egyéni beszélgetések, célkitűzés, teljesítményértékelések, előléptetési ügyek és egyéni fejlődési tervek
• ▹Pontos kép kialakítása minden SA erősségeiről, hiányosságairól és preferenciáiról, és az ügyfelek, projektek kiosztása a szakértelem és az érdeklődés szerint
• ▹Olyan ritmus működtetése, amely korán felszínre hozza az akadályokat, azokat a fejlesztési, termék- és üzleti csapatok elé vinni, akik el tudják hárítani, és addig követni, amíg megtörténik
• ▹Az emberek eredmények szerinti számonkérése: az erőfeszítés és a leszállított eredmény megkülönböztetése, ennek világos kimondása, ha eltérnek, és tükrözése az értékelésekben és a javadalmazási döntésekben
• ▹Új belépők bevezetése az első önállóan leszállított projektig
• ▹Az SA-k coachingja erősebb mérnökökké és kommunikátorokká, tudatos döntések arról, ki áll készen nagyobb hatókörre
• ▹A csapat szállítási eredményeiért való felelősség: a PoC indításától az első optimalizált dedikált végpontig eltelt idő, a sikerkritérium-teljesítési arány, és a műszaki kapcsolat minősége az ügyfél éles üzembe lépése után
• ▹A műszaki munka átnézése, mielőtt az ügyfélhez kerül: benchmark-módszertan, kiszolgálási konfigurációk, eredmények, lezáró dokumentumok; a metrikaműtermékből levont téves következtetés kiszűrése, mielőtt az ügyfél látná
• ▹A munkatársi és eszkalációs lefedettség biztosítása az ügyfelek és időzónák között, beleértve a sprinthatárokat nem tisztelő, szállítás utáni kérésterhelést
• ▹A megvalósíthatatlanság korai, bizonyítékokkal alátámasztott jelzése ahelyett, hogy a csapat iterációkat égetne olyan követelményekre, amelyeket a platform ma nem tud teljesíteni
• ▹A csapat dokumentációjának karbantartása és bővítése: felelősségek, runbookok, útmutatók, bevezetés, definition of done, projektlezáró sablonok; pontosan és elérhetően tartva, linkelve, nem másolva
• ▹A dokumentáció használatba vétele, nem csak megírása; a jegykövető rendszer mint a nyilvántartás rendszere, hogy a PoC és az éles állapot kérdezés nélkül olvasható legyen
• ▹A munka mérhetővé tétele: a szállítás gyorsulását és megbízhatóságát mutató metrikák meghatározása és jelentése
• ▹Fejlesztési és kutatási csapatokkal: a visszatérő ügyfélfájdalmak priorizált platformmunkává alakítása, az ügyfél műszaki valóságának képviselete az ütemterv-megbeszéléseken
• ▹Pre-sales csapattal: a scoping és a végrehajtás közti határ tartása, visszalépés az alulspecifikált projektekre, megvalósíthatósági jelzés visszacsatolása
• ▹Account managementtel: az éles átadások eseménytelenné tétele és a szállítás utáni műszaki kérések mozgásban tartása
• ▹Üzleti és vezetői szint felé: őszinte kép az ügyfélállapotról, a műszaki megvalósíthatóságról és a kapacitásigényről

Elvárások

• ▹Legalább 3 év műszaki csapatvezetés, beleértve a teljesítménymenedzsmentet és a nehéz beszélgetéseket
• ▹Tapasztalat ügyfélközeli csapat vezetésében: olyan csapat, amelynek munkája látható az ügyfeleknek, ügyfél-határidőkkel és ügyfél-eszkalációkkal
• ▹Erős ML-tudás: LLM-architektúrák, finomhangolási megközelítések (SFT/LoRA, RL-alapú), értékelés tervezése, és az inferencia belső működésének (kvantálás, KV-cache kezelés, batching, routing, speculative decoding) valamint a csapat keretrendszereinek (vLLM, SGLang, TensorRT-LLM) gyakorlati ismerete
• ▹Elég műszaki ítélőképesség ahhoz, hogy valaki más benchmarkját átnézve a módszertan hibáját is megtaláld, ne csak a következtetését
• ▹A csapat kódjának olvasásához és átnézéséhez elég erős Python
• ▹Kiváló kommunikációs készség, műszaki fogalmak világos magyarázata különböző közönségeknek, mérnököktől a vezetőkig, nagyvállalati ügyfelek előtt nyomás alatt is
• ▹Valódi tűrőképesség az üzemeltetési munka iránt: dokumentáció, folyamattervezés, jelentés és az ezeket megtartó utókövetés
• ▹Kényelmes működés bizonytalanságban elosztott csapatokkal és időzónákban, hajlam a dolgok leírására

Előny

• ▹Referenciák korábbi vezetőktől és korábbi közvetlen beosztottaktól
• ▹Tapasztalat csapat gyors növekedésének (5-ről 15+ főre) vezetésében a szállítási minőség elvesztése nélkül
• ▹Korábbi tapasztalat ügyfélközeli műszaki funkcióban felhő-, inferencia- vagy MI-infrastruktúra-szolgáltatónál
• ▹Tapasztalat folyamat és dokumentáció kialakításában olyan csapatnak, amelynek nem volt
• ▹Gyakorlati háttér LLM-ek éles futtatásában és inferencia-munkaterhelések keretrendszer-szintű hibakeresésében
• ▹Munka multimodális MI-modellekkel (látás-nyelv, beszéd)
• ▹DevOps-eszközök (Docker, Kubernetes) és infrastructure-as-code jártasság
• ▹Preferált technológiai stack: Python; vLLM, TensorRT-LLM, SGLang, Transformers, OpenAI/Anthropic SDK-k; Kubernetes, Docker, Git; AWS (SageMaker, Bedrock), GCP (Vertex AI), Azure (Azure ML)

Soft skillek

Amit kínálunk

• ▹Versenyképes javadalmazás
• ▹Karrierfejlődési és tanulási lehetőségek
• ▹Rugalmasság és felelősség
• ▹Együttműködő és innovatív kultúra
• ▹Lehetőség hatásos MI-projektekben való munkára
• ▹Nemzetközi környezet és tehetséges csapatok

A munkáltatóról

A Nebius a globális MI-gazdaság felhőinfrastruktúrájának új korszakát építi: teljes körű MI-felhőplatform az adatoktól és modelltanítástól az éles üzembe helyezésig. Az amszterdami székhelyű, Nasdaqon (NBIS) jegyzett cégnek 1500+ fős csapata van, K+F központokkal Európában, az Egyesült Királyságban, Észak-Amerikában és Izraelben.