Senior Software Engineer - Marketing Technology

О позиции

В рамках программы Applied AI Acceleration вы будете ответственным за техническую архитектуру, разработку и масштабирование корпоративных решений на базе ИИ и агентной автоматизации. Вместо изолированного рефакторинга вы возглавите создание экосистемы «Цифровой Рабочей Силы» — гибкой многоагентной операционной модели, которая оркестрирует автономных AI-агентов по всей кампании: от аналитики и планирования до исполнения и оптимизации в реальном времени. Вы будете переводить высокоценные use-case в промышленное качество, внедряя строгие guardrails: governance моделей, observability, защита данных и этические рамки непосредственно в продакшен. Коллаборация с кросс-функциональными командами IT и бизнеса включает менторство инженеров и культивацию культуры rapid AI exploration.

Будет плюсом

• Опыт работы с CDPs, CRMs и Content Management Systems интеграциями
• Знание security frameworks, ethical AI guidelines, regulatory model compliance
• Умение декомпозировать сложные ambiguous business requirements в lean high-impact architectures
• Навыки agile collaboration и multi-mode communications

Условия

• Работа над передовыми AI применениями в одном из крупнейших ритейлеров мира
• Возможность влиять на масштабную digital workforce ecosystem
• Коллаборация с кросс-функциональными IT и бизнес командами
• Менторство и развитие команды
• Стабильная платформа для экспериментов и быстрых delivery
• Без travel requirements, comfortable indoor working conditions

Навыки

• Python
• Java
• Go
• Distributed Systems
• MLOps
• LLMs
• Agentic AI
• Multi-Agent Systems
• Orchestration
• Prompt Engineering
• RAG
• Vector Databases
• Pinecone
• Milvus
• ChromaDB
• LangChain
• AutoGen
• CrewAI
• Semantic Kernel
• LangSmith
• TruLens
• Phoenix
• AWS
• GCP
• Azure
• Microservices
• API Management
• Git
• Data Governance
• AI Observability
• Model Governance
• Ethical AI

Могут спросить на собеседовании

1. Как вы проектировали multi-agent системы и какие trade-offs рассматривали при выборе между централизованной vs распределённой orchestration?
2. Расскажите о вашем опыте настройки AI observability: какие метрики важны для multi-agent workflows и как вы отслеживали drift или hallucinations?
3. Какие подходы вы использовали для интеграции RAG пайплайнов с enterprise источниками данных? Какие были вызовы с latency и accuracy?
4. Как вы подходите к evaluation агентов в условиях многошаговых workflows и dependency chains?
5. Приведите пример, как вы перевели ambiguous бизнес-требование в конкретную technical архитектуру — какие вопросы вы задавали первым делом?