Senior Applied AI/ML Scientist - Compass

О позиции

Faire — технологическая оптовая платформа, соединяющая независимых ритейлеров со множеством брендов по всему миру. Compass — флагманский AI-продукт в рамках Discovery Pillar: всегда присутствующий, контекстно-осведомлённый ассистент для ритейлеров, помогающий принимать более умные закупочные решения. Роль Senior Applied AI/ML Scientist — это сочетание глубокой прикладной науки (eval-driven development, данные, моделирование) и полноцикловой инженерии (AI, ML, backend, frontend). Позиция индивидуального вкладчика без прямых подчинённых, с высокой степенью автономии и реальным влиянием на продукт.

Будет плюсом

• Опыт в e-commerce, маркетплейсах или двусторонних платформах
• Опыт трансформации read-only ассистента в ассистента с возможностью действий (confirm-first, guardrails, failure containment)
• Практический опыт с OpenAI Agents SDK или аналогичными агентными фреймворками в продакшне
• Знакомство со стратегиями preload-over-RAG, Snowflake-backed grounding или гибридными подходами
• Опыт 0→1 / early-stage: создание продукта с нуля
• Бэкграунд в recommendation, retrieval или personalization-моделировании
• Публичные материалы: статьи, open-source, выступления об агентных/applied-AI системах

Условия

• Конкурентная зарплата: $196 000–$269 500 в год (до налогов, США)
• Опционная программа (equity)
• Полный социальный пакет, покрывающий жизнь внутри и вне работы
• Гибридный формат: 3 дня в офисе (Вт, Чт + flex) + до 4 недель удалённой работы в год
• Доступ к новейшим enterprise AI-инструментам
• Работа в команде из сильных, доброжелательных профессионалов с культурой роста
• Штаб-квартиры в Сан-Франциско и Нью-Йорке; инвесторы: Y Combinator, Sequoia, Founders Fund и другие топовые фонды

Навыки

• Python
• LLM
• Agentic AI
• RAG
• OpenAI Agents SDK
• Machine Learning
• Applied ML
• Data Science
• Experimentation
• Evaluation Frameworks
• LLM-as-Judge
• Tool Calling
• Prompt Engineering
• Backend Development
• Frontend Development
• Snowflake
• Recommendation Systems
• Retrieval Systems
• Personalization
• A/B Testing
• System Design

Могут спросить на собеседовании

1. Опишите агентную систему, которую вы вывели в продакшн: как выстраивали eval-стратегию и как измеряли качество агента?
2. Как вы выбираете между стратегией preload контекста и tool-calling при проектировании агента? Приведите конкретный трейдофф, с которым столкнулись.
3. Расскажите о случае, когда вы шиппили фичу сквозь несколько слоёв стека (data, backend, frontend). Что было самым сложным?
4. Как вы расставляете приоритеты между скоростью разработки и архитектурной устойчивостью в условиях раннего продукта?
5. Как бы вы подошли к превращению read-only ассистента в агента, способного совершать действия от имени пользователя? Какие guardrails и паттерны подтверждения вы бы применили?