Senior Software Engineer - AI

О позиции

Компания Fleetworthy разрабатывает комплексную платформу для управления автопарком с использованием ИИ — включая безопасность, соответствие требованиям, управление проездами по платным дорогам и обход весогабаритных постов. Мы доверяем 75% крупнейших автопарков Северной Америки. В команде AI Platform вы будете создавать AI-агентов и продукты, которые напрямую влияют на безопасность перевозчиков и эффективность работы логистики. Это роль старшего инженера в небольшой команде, где вы сможете формировать подходы к разработке с AI-агентами и отвечать за системы долгосрочно. Инженеры используют кодировочные агенты как основной способ разработки — ваша задача определять работу, проверять результат агентов и принимать ключевые решения.

Чем заниматься

• Часто выпускать работающий софт в продакшн маленькими инкрементами и вести проекты от спецификации до запуска
• Разрабатывать и деплоить AI-агентов и AI-функции для клиентов и внутренних команд
• Строить и расширять корпоративный контекстный слой: коннекторы, retrieval, контроль доступа к данным
• Создавать общие инструменты и практики для других команд при работе с агентами
• Выбирать между агентом и детерминированным workflow, реализовывать любой из подходов
• Провайджинить и запускать инфраструктуру: окружения, пайплайны, деплои
• Превращать нечёткие задачи от продукта, поддержки и инженерии в чёткие требования
• Отвечать за всё что было выпущено: мониторинг, evals, стоимость и обработка ошибок
• Наставлять инженеров команды и всей инженерной организации

Что ждут

• Senior-инженер с доказанным опытом частого выпуска софта в продакшн и ответственностью после релиза
• Опыт выпуска AI-агентов или AI-фич в продакшн, которыми пользователи пользуются сейчас
• Продвинутые навыки с Agentic SDLC и coding agents как основным способом разработки ПО
• Продвинутый Python и/или TypeScript
• Практический опыт с LLM APIs, MCP, фреймворками агентов (и понимание когда их НЕ использовать)
• Опыт с системами retrieval (поиск, RAG) и контролем доступа к данным на основе прав
• Опыт использования evals и данных для принятия решений о готовности агента к выпуску
• DevOps: Docker, Kubernetes или managed контейнеры, инфраструктура как код (Terraform), CI/CD пайплайны
• Опыт production-сервисов: observability (Datadog или аналог), алертинг, secret & identity management, incident response
• Уверенный SQL и PostgreSQL
• Сильные коммуникационные навыки, способность работать независимо и открытость о том чего не знаешь

Будет плюсом

• Опыт в логистике, транспортировке или управлении автопарками
• Databricks (Unity Catalog или Genie)
• Корпоративные поисковые коннекторы (Confluence, SharePoint, Jira, Slack) и векторные базы данных
• Identity и access control для сервисов и агентов
• Workflow orchestration или automation платформы
• Azure (App Service, AKS, Azure DevOps) или AWS

Условия

• Работа с передовыми AI-агентами в реальной промышленной среде
• Небольшая команда с большим автономным влиянием на архитектуру и процесс разработки
• Прямое влияние результатов работы на безопасность водителей и эффективность логистических операций
• Доступ к данным и продуктам, которыми пользуются 75% крупнейших автопарков Северной Америки
• Инновационная культура с фокусом на AI-first подход к разработке ПО
• Возможность стать лидером направления разработки с AI-агентами в компании
• Inclusive и разнообразная рабочая среда, равные возможности для всех кандидатов

Навыки

• Python
• TypeScript
• AI Agents
• LLM APIs
• RAG
• Vector Databases
• Docker
• Kubernetes
• Terraform
• CI/CD
• Observability
• SQL
• PostgreSQL
• Identity Management
• Incident Response
• Agentic SDLC
• MCP
• Databricks
• Azure
• AWS

Могут спросить на собеседовании

1. Расскажите о кейсе, где вы выпустили AI-агент или AI-функцию в продакшн, которыми пользователи действительно пользуются.
2. Как вы принимаете решение использовать AI-агент против детерминированного workflow? Приведите пример когда агент был неподходящим решением.
3. Опишите вашу практику создания и использования evals для оценки готовности AI-системы к выпуску. Какие метрики важны?
4. Какие вызовы возникали при построении permission-aware доступа к корпоративным данным для AI-систем?
5. Как вы организуете работу в условиях когда основная разработка ведётся через AI-кодинговые агенты? Как проверяете качество?