AI Engineer

О позиции

Speedcast предоставляет критически важные коммуникационные решения для удалённых объектов по всему миру. Команда Data Engineering работает на современной lakehouse-платформе — Kafka streaming, Iceberg на S3, облачный query layer и time-series базы данных на AWS. Мы создаём ИИ-продукты и внутренние инструменты поверх этой платформы. AI Engineer отвечает за построение надёжной инфраструктуры: данные, которые питают приложения, слои embedding и retrieval, а также сервисы, API и мониторинг.

Чем заниматься

• Проектирование и настройка пайплайнов для ИИ-приложений: ingestion документов, chunking, генерация эмбеддингов, векторные хранилища и retrieval services
• Production deployment LLM-powered приложений как надёжных сервисов: API, containerised deployments, observability, cost monitoring, access control
• Интеграция ИИ-нагрузок с data lakehouse: streaming (Kafka), batch-источники, query layers и time-series хранилища
• Разработка и поддержка evaluation, logging и feedback infrastructure для ИИ-приложений в production
• Разработка и поддержание data pipelines, обеспечение data quality и reliability, улучшение производительности платформы
• Реализация security, privacy и governance best practices для ИИ-систем с корпоративными данными
• Коллаборация с Data Scientists, AI/Software Engineers и бизнес-стейкхолдерами
• Участие в Agile-церемониях: backlog grooming, sprint planning, prioritisation
• Оценка и внедрение новых ИИ-платформенных технологий и архитектурных подходов

Что ждут

• 3–5 лет опыта в software или data engineering с практическим опытом разработки ИИ/LLM приложений
• Коммерческий опыт работы с Python и сильное знание SQL
• Опыт разработки и поддержания production data pipelines
• Интеграция foundation model APIs (Amazon Bedrock, Anthropic, OpenAI) в приложения или сервисы
• Практический опыт AWS сервисов (Lambda, Step Functions, S3, ECR, Glue) и best practices безопасности
• Контейнеризация приложений через Docker
• Разработка и эксплуатация APIs и backend-сервисов
• Понимание data quality, data governance и best practices data engineering
• Работа с Git в рамках Agile/Scrum средств
• Сильные аналитические способности и управление стейкхолдерами

Будет плюсом

• Streaming платформы: Confluent Kafka, Avro/Schema Registry, Kafka Connect, Apache Flink
• Lakehouse архитектура: Apache Iceberg, Parquet, medallion patterns, dbt
• Query engines (Dremio) и time-series базы (TimescaleDB)
• Vector search (pgvector или dedicated vector databases) и retrieval infrastructure в масштабе
• Agentic frameworks, tool use или Model Context Protocol (MCP)
• Infrastructure as Code (CloudFormation, Terraform) и CI/CD пайплайны
• Мониторинг и оптимизация cloud и ИИ workload costs
• Понимание GDPR и принципов data governance
• Advanced AWS expertise с сертификатами

Условия

• Международная команда с клиентами и коллегами по всем континентам
• Талантливые коллеги — лучшие в отрасли коммуникаций
• Возможность разрабатывать навыки через межфункциональную работу
• Выбор среды: традиционный офис или поле, гибридный формат
• Карьерный рост через внутреннюю систему promotions
• Разнообразные проекты с клиентами из разных индустрий
• Опыт работы на стыке телекоммуникаций и ИИ-технологий
• Менталитет «one team, one dream

Навыки

• Python
• SQL
• Docker
• AWS Lambda
• Amazon S3
• Apache Kafka
• Apache Iceberg
• Vector Search
• REST API
• Git
• Terraform
• CI/CD
• PostgreSQL
• TimescaleDB
• Observability
• Data Governance

Могут спросить на собеседовании

1. Опишите пример ИИ-приложения в production, которое вы интегрировали или поддерживали — какие были вызовы с latency, cost или reliability?
2. Как вы обеспечиваете data quality и data governance в пайплайнах, особенно при работе с внешними моделями (OpenAI, Bedrock)?
3. Расскажите о вашем опыте с векторными базами данных или pgvector — как масштабировать retrieval infrastructure?
4. Как вы мониторите и оптимизируете cost ИИ workload в AWS? Какие метрики важны?
5. Опишите вашу работу с CI/CD и IaC для ML-проектов — как вы автоматизируете deploys?