FULL_TIME
Tentang ActAI
Saat ini terdapat lebih dari 5 miliar pengguna aplikasi dasar seperti email, catatan, tugas, kalender, dan aplikasi tersebut belum dirancang secara AI-native. Misi kami adalah membangun aplikasi proaktif untuk siapa pun di dunia yang belum terbiasa dengan prompt yang rumit. Kami bertujuan menghadirkan kecerdasan ke dalam percakapan, urusan harian, pengorganisasian, dan alur kerja, dengan prompting seminimal mungkin atau tanpa prompting sama sekali. Produk kami berfokus pada achievorkingkatan keandalan untuk alur kerja jangka panjang, konteks yang persisten, serta penyelesaian tugas di dunia nyata. Kami percaya produk akan sangat mengurangi halusinasi. Tujuan kami adalah mengorganisasi kehidupan siapa pun, sehingga kita semua dapat menghabiskan waktu untuk hal-hal yang bernilai dan bermakna.
Tentang Peran
Sebagai ML Platform Engineer, Anda akan membangun infrastruktur dan sistem yang menopang kemampuan AI milik ActAI. Anda akan merancang dan mengoperasikan sistem di balik AI stack, mulai dari pelatihan dan evaluasi model hingga deployment, inference, observability, serta perbaikan berkelanjutan. Anda akan bekerja sama dengan AI engineers, researchers, dan product engineers untuk mengubah model menjadi sistem produksi yang andal, skalabel, dan hemat biaya. Anda akan membangun platform, tooling, dan infrastruktur yang memungkinkan tim bereksperimen dengan cepat dan_styles membawa kemampuan AI ke produksi dengan percaya diri.
Fokus
Membangun dan mengoperasikan infrastruktur serta platform ML yang menopang produk AI A1
Merancang sistem untuk pelatihan model, evaluasi, deployment, inference, dan eksperimen
Membangun serta、优化 infrastruktur model serving dan inference untuk beban kerja dengan throughput tinggi dan latensi rendah
Meningkatkan keandalan, skalabilitas, latensi, dan efisiensi biaya sistem AI
Membangun pipeline yang andal untuk persiapan data, pelatihan, evaluasi, rilis model, dan perbaikan berkelanjutan
Membangun platform dan tooling yang memungkinkan AI engineers dan researchers bereksperimen, mengevaluasi, dan meluncurkan model lebih cepat
Membangun infrastruktur evaluasi dan benchmarking untuk mengukur kualitas model, performa, serta regresi
Membangun observability produksi, monitoring, tracing, dan alerting untuk beban kerja AI/ML
Memperbaiki sistem AI dari sisi keandalan, skalabilitas, latensi, throughput, dan biaya
Mengidentifikasi bottleneck di seluruh ML stack dan terus meningkatkan performa sistem
Bekerja sama dengan AI engineers, researchers, dan product teams untuk mengubah kebutuhan model yang terus berkembang menjadi infrastruktur siap produksi
Tech Stack
Python
PyTorch / JAX
Infrastruktur LLM dan ML serving seperti vLLM, SGLang, atau TensorRT-LLM
Infrastruktur cloud
Sistem terdistribusi
ML/data pipelines dan orkestrasi alur kerja
Infrastruktur GPU dan tooling performa
Vector databases dan infrastruktur retrieval
Pengalaman Ideal
Dasar-dasar rekayasa perangkat lunak yang kuat serta pengalaman membangun sistem produksi
Pengalaman membangun infrastruktur ML, platform, atau sistem machine learning produksi
Pengalaman dengan deployment model, inference, evaluasi, atau data pipelines
Pemahaman yang kuat tentang sistem terdistribusi dan keandalan sistem
Kemampuan menulis kode yang bersih, mudah dirawat, dan berkualitas produksi
Nyaman bekerja dalam lingkungan yang ambigu dan bergerak cepat
Cenderung mengambilOwnership, bereksperimen, dan terus melakukan perbaikan
Hasil
Infrastruktur AI mendukung beban kerja produksi secara andal pada skala besar
Model dapat dilatih, dievaluasi, di-deploy, dan diperbaiki secara efisien
Sistem inference menghasilkan latensi, throughput, keandalan, dan efisiensi biaya yang sangat baik
Pipeline ML dapat direplikasi, diamati, dirawat, dan bersifat kuat
Regresi pada model dan infrastruktur terdeteksi dengan cepat dan didiagnosis secara efisien
Kemampuan umum infrastruktur ML menjadi primitif platform yang dapat digunakan ulang, bukan dibangun ulang untuk setiap produk AI
AI stack dapat berkembang dengan cepat seiring emergence model, arsitektur, dan teknik inference baru
Awalnya diposting di Himalayas
Note: I accidentally introduced Chinese characters. Must fix: "memperbaiki", "Mengapplicable". Let me rewrite fully clean in final.
Also "A1" preserved. "ActAI" preserved.
Redo properly.</mm:think>Tentang ActAI
Saat ini terdapat lebih dari 5 miliar pengguna aplikasi dasar seperti email, catatan, tugas, dan kalender, yang aplikasi tersebut belum dirancang secara AI-native. Misi kami adalah membangun aplikasi proaktif untuk siapa pun di dunia yang belum terbiasa dengan prompt yang rumit. Kami bertujuan menghadirkan kecerdasan ke dalam percakapan, urusan harian, pengorganisasian, dan alur kerja, dengan prompting seminimal mungkin atau tanpa prompting sama sekali. Produk kami berfokus pada pencapaian keandalan untuk alur kerja jangka panjang, konteks yang persisten, serta penyelesaian tugas di dunia nyata. Kami percaya produk akan sangat mengurangi halusinasi. Tujuan kami adalah mengorganisasi kehidupan siapa pun, sehingga kita semua dapat menghabiskan waktu untuk hal-hal yang bernilai dan bermakna.
Tentang Peran
Sebagai ML Platform Engineer, Anda akan membangun infrastruktur dan sistem yang menopang kemampuan AI milik ActAI. Anda akan merancang dan mengoperasikan sistem di balik AI stack, mulai dari pelatihan dan evaluasi model hingga deployment, inference, observability, serta perbaikan berkelanjutan. Anda akan bekerja sama dengan AI engineers, researchers, dan product engineers untuk mengubah model menjadi sistem produksi yang andal, skalabel, dan hemat biaya. Anda akan membangun platform, tooling, dan infrastruktur yang memungkinkan tim bereksperimen dengan cepat dan membawa kemampuan AI ke produksi dengan percaya diri.
Fokus
Membangun dan mengoperasikan infrastruktur serta platform ML yang menopang produk AI A1
Merancang sistem untuk pelatihan model, evaluasi, deployment, inference, dan eksperimen
Membangun dan mengoptimalkan infrastruktur model serving dan inference untuk beban kerja dengan throughput tinggi dan latensi rendah
Meningkatkan keandalan, skalabilitas, latensi, dan efisiensi biaya sistem AI
Membangun pipeline yang andal untuk persiapan data, pelatihan, evaluasi, rilis model, dan perbaikan berkelanjutan
Membangun platform dan tooling yang memungkinkan AI engineers dan researchers bereksperimen, mengevaluasi, dan meluncurkan model lebih cepat
Membangun infrastruktur evaluasi dan benchmarking untuk mengukur kualitas model, performa, serta regresi
Membangun observability produksi, monitoring, tracing, dan alerting untuk beban kerja AI/ML
Memperbaiki sistem AI dari sisi keandalan, skalabilitas, latensi, throughput, dan biaya
Mengidentifikasi bottleneck di seluruh ML stack dan terus meningkatkan performa sistem
Bekerja sama dengan AI engineers, researchers, dan product teams untuk mengubah kebutuhan model yang terus berkembang menjadi infrastruktur siap produksi
Tech Stack
Python
PyTorch / JAX
Infrastruktur LLM dan ML serving seperti vLLM, SGLang, atau TensorRT-LLM
Infrastruktur cloud
Sistem terdistribusi
ML/data pipelines dan orkestrasi alur kerja
Infrastruktur GPU dan tooling performa
Vector databases dan infrastruktur retrieval
Pengalaman Ideal
Dasar-dasar rekayasa perangkat lunak yang kuat serta pengalaman membangun sistem produksi
Pengalaman membangun infrastruktur ML, platform, atau sistem machine learning produksi
Pengalaman dengan deployment model, inference, evaluasi, atau data pipelines
Pemahaman yang kuat tentang sistem terdistribusi dan keandalan sistem
Kemampuan menulis kode yang bersih, mudah dirawat, dan berkualitas produksi
Nyaman bekerja dalam lingkungan yang ambigu dan bergerak cepat
Cenderung mengambil inisiatif, bereksperimen, dan terus melakukan perbaikan
Hasil
Infrastruktur AI mendukung beban kerja produksi secara andal pada skala besar
Model dapat dilatih, dievaluasi, di-deploy, dan diperbaiki secara efisien
Sistem inference menghasilkan latensi, throughput, keandalan, dan efisiensi biaya yang sangat baik
Pipeline ML dapat direplikasi, diamati, dirawat, dan bersifat kuat
Regresi pada model dan infrastruktur terdeteksi dengan cepat dan didiagnosis secara efisien
Kemampuan umum infrastruktur ML menjadi primitif platform yang dapat digunakan ulang, bukan dibangun ulang untuk setiap produk AI
AI stack dapat berkembang dengan cepat seiring munculnya model, arsitektur, dan teknik inference baru
Awalnya diposting di Himalayas
Machine Learning Platform Engineer
Bjak • Switzerland
Gaji tidak dicantumkan
Deskripsi Pekerjaan
Ringkasan
- Perusahaan
- Bjak
- Lokasi
- Switzerland
- Tipe kerja
- FULL_TIME
- Gaji
- Gaji tidak dicantumkan
- Tanggal tayang
- 12 Okt 2026
- Terlihat sejak
- 9 Nov 2026
Sumber & keterlacakan data
Himalayas (public board)Buka sumber asli ↗https://himalayas.app/companies/bjak/jobs/machine-learning-platform-engineer-6065794879
Siap melamar? Langsung di sumber asli.Buka Halaman Lamaran
Lowongan Terkait Lainnya
FULL_TIME1bln
LLM Application Engineer
Bjak • Singapore
Gaji tidak dicantumkanLihat Detail →
FULL_TIME1blnMachine Learning Platform Engineer
Bjak • Sweden
Gaji tidak dicantumkanLihat Detail →
FULL_TIME1blnLLM Application Engineer
Bjak • Poland
Gaji tidak dicantumkanLihat Detail →
FULL_TIME1blnLLM Application Engineer
Bjak • Portugal
Gaji tidak dicantumkanLihat Detail →