Практический кейс: подбор ML Team Lead для AI-продуктовой компании. В этой статье мы расскажем, как нам удалось в сжатые сроки найти сильного технического лидера для команды, работающей с AI.
Недавно наша команда закрыла сложную вакансию Team Lead ML Engineer для продуктовой AI-компании, которая разрабатывает высоконагруженные решения на базе генеративных технологий.
Главная сложность заключалась не только в редкости самого специалиста, но и в сочетании требований: кандидат должен был одновременно быть сильным ML-инженером, управленцем, архитектором и человеком, способным развивать продуктовые AI-направления практически с нуля.
Несмотря на высокий уровень требований и ограниченный рынок специалистов, уже через три недели после старта поиска кандидат принял оффер и вышел в команду. Рассказываем, как удалось закрыть эту позицию в короткие сроки.
О компании
Наш заказчик — продуктовая компания, создающая высоконагруженные AI-продукты на базе передовых генеративных технологий. Команда работает с обработкой фото, видео и текста, выпуская на рынок продуктовые решения, которые напрямую влияют на пользовательский опыт реальной аудитории.
Для масштабирования процессов и вывода инфраструктуры на новый уровень компании потребовался профильный руководитель.
Задача
На момент обращения бизнес находился в фазе масштабирования: команда росла, увеличивалась нагрузка на инфраструктуру, а количество AI-фичей и экспериментов требовало сильного технического лидерства.
Главная цель заключалась в том, чтобы осуществить качественный подбор ML Team Lead, готового взять на себя управление направлением и кросс-функциональной командой. Нам нужен был специалист, способный самолично ставить продуктовые цели и удерживать отдел на острие современных методологий и технологических трендов.
Ключевые зоны ответственности
Техническое лидерство: комплексное управление ML-командой, включая постановку задач, код-ревью и мониторинг.
Развитие архитектуры: проектирование, развитие ML-инфраструктуры и масштабирование решений под серьезные продакшн-нагрузки.
Управление процессами: структурирование и автоматизация процессов, ведение ML-фичей от стадии PoC (Proof of Concept) до полноценного релиза.
Оптимизация: настройка генеративных пайплайнов для сокращения костов отдела, а также глубокий тюнинг моделей для повышения качества генерации фото- и видеоконтента.
Развитие команды: реформирование отдела ML/MLops в связке с Prompt-инженерами, обучение специалистов и активное взаимодействие с лидами смежных направлений.
Hard skills
Сильная экспертиза в особенностях генеративного контента на self-host решениях.
Глубокий опыт работы с Docker и highload-системами.
Навык развертывания open-source продуктов, их тестирования на целевой аудитории с последующей разработкой собственных аналогов.
Умение грамотно выбирать и внедрять новые технологии, ML-модели и инструменты.
Условия работы
Рынок AI-специалистов сильно перегрет, поэтому для привлечения топовых кандидатов важно грамотно транслировать бенефиты компании. Клиент предлагал отличные условия:
Среду, в которой все решения опираются на Data-driven подход и реальную экспертизу, а не по принципу строгой корпоративной иерархии.
Возможность работать с уникальными и технически сложными AI-проектами.
Полностью удаленный формат работы с гибким графиком.
Коллектив настоящих фанатов своего дела.
Прямое влияние на архитектуру, развитие ML-продуктов и процессы в команде.
Процесс поиска
Перед стартом поиска мы детально проработали профиль идеального специалиста вместе с клиентом. Чтобы подбор ML Team Lead прошел максимально эффективно, основной фокус сделали на кандидатах уровня Senior / Lead, которые:
- уже управляли ML-командами;
- имели hands-on опыт;
- работали с генеративными AI-решениями;
- умеют строить процессы;
- готовы брать ответственность за развитие ML-направления.
Отдельно учитывали мотивацию кандидатов: нам были интересны специалисты, которым важно не только руководство командой, но и возможность создавать технологически сложные продукты с реальным влиянием на рынок.
Результаты
Уже в течение первых недель поиска нам удалось сформировать пул релевантных кандидатов и вывести нескольких специалистов на финальные этапы интервью.
В результате один из кандидатов успешно прошёл все этапы отбора, принял оффер и присоединился к команде клиента.
Интересно, что на момент первого контакта кандидат не находился в активном поиске работы. Однако его заинтересовала возможность работать с современными AI-технологиями и влиять на развитие ML-направления внутри продукта.
Несмотря на высокий уровень требований к кандидату и ограниченное количество релевантных специалистов на рынке, нам удалось быстро сформировать сильную воронку подбора. Такой подбор ML Team Lead стал возможен благодаря точечному поиску, глубокому техническому анализу опыта кандидатов и правильной презентации проекта.
Понравился кейс?
Еще больше полезных статей о поиске талантов, управлении командами и трендах HR-индустрии читайте в нашем блоге на Дзене.