Expert AI Engineer

О позиции

Мы — команда Ciklum, глобальная компания по созданию кастомных продуктов с более чем 4000 высококвалифицированных специалистов worldwide. Мы работаем как с крупными multinational организациями, так и со стартапами, решая их самые сложные бизнес-задачи. Как Expert AI Engineer вы станете частью кросс-функциональной команды, которая проектирует и реализует технологии будущего, определяющие индустрии и образ жизни людей.

Чем заниматься

• Проектирование, разработка и развертывание продвинутых AI-систем в областях Data Science и AI Engineering
• Архитектура и реализация масштабируемых AI-пайплайнов и приложений на базе LLM, включая retrieval-augmented generation (RAG), оркестрацию и multi-agent системы
• Выступление техническим экспертом на встречах с клиентами, обеспечение качества архитектуры, масштабируемости, производительности и надежности
• Ручная работа над разработкой от экспериментов и прототипирования до production-grade реализации
• Сотрудничество с инженерными, data и product командами для согласования технических решений с бизнес-целями
• Применение лучших практик MLOps и LLMOps для CI/CD, наблюдаемости, оценки и непрерывного улучшения AI-моделей и пайплайнов
• Интеграция AI-сервисов с корпоративными платформами (Confluence, Jira, GitHub, CRM, ERP) и обеспечение интероперабельности
• Стимулирование инноваций через внутренние фреймворки и ускорители
• Обеспечение соответствия AI-решений стандартам безопасности, защиты данных и responsible AI
• Наставничество инженеров и поддержка обмена знаниями, участие в AI Academy
• Техническая экспертиза в продажах, перевод бизнес-вызовов в рабочие решения AI-инженерии
• Поддержка найма через технические тесты и интервью
• Участие в построении команд и кросс-скиллинге внутри AI service lines

Что ждут

• 8+ лет профессионального опыта в software, data или AI инженерии, включая минимум 3–4 года hands-on опыта разработки AI/ML решений
• Бакалавриат, магистратура или PhD по Computer Science, Mathematics, Engineering или смежным количественным направлениям
• Глубокое понимание вероятности, статистики и математических основ машинного обучения и оптимизации
• Опыт построения и деплоя продвинутых AI-систем, включая Large Language Models (LLM), multimodal и генеративные AI архитектуры
• Опыт работы с agentic системами, RAG и техниками prompt engineering
• Сильная экспертиза в Python и распространенных AI/ML фреймворках (PyTorch, TensorFlow, LangChain, Hugging Face или аналогичных)
• Понимание современных AI engineering практик: управление жизненным циклом моделей, observability, evaluation, versioning, continuous improvement
• Знакомство с методологиями доставки AI решений (CRISP-ML(Q), TDSP или современные agile ML lifecycles)
• Навыки визуализации, интерпретации и коммуникации insights из моделей с помощью современных dashboards
• Опыт проектирования end-to-end AI/ML решений от ingestion данных до deployment, monitoring и optimization
• Отличные software engineering навыки: обработка данных, API интеграция, serving моделей (Python, SQL; Java/Scala опционально)
• Hands-on опыт с cloud-native AI платформами (AWS SageMaker, Azure ML, GCP Vertex AI или NVIDIA AI stack)
• Опыт работы с diverse data modalities (structured, text, image, audio, video) и multimodal модели
• Понимание security, data governance и compliance требований в AI system design

Будет плюсом

• Опыт в software или solution архитектуре, особенно в роли Software/Data Architect
• Умение проектировать масштабируемые, distributed и fault-tolerant AI архитектуры с APIs, microservices и event-driven components
• Опыт MLOps и LLMOps практик: автоматизация пайплайнов, контейнеризация (Docker, Kubernetes), continuous deployment AI моделей
• Экспертиза в Deep Learning (TensorFlow, PyTorch, JAX), включая fine-tuning и optimization large моделей
• Продвинутый SQL и знакомство с современными data платформами (Databricks, Snowflake или аналоги)
• Опыт Big Data и streaming фреймворков (Apache Spark, Kafka, Flink и т.д.)
• Понимание NoSQL и graph баз данных (Cassandra, Neo4j) и их роль в AI knowledge management
• Опыт работы с cloud-native архитектурами и сертифицированная экспертиза AWS/Azure/GCP AI/ML сервисов
• Опыт исследований или инновационных проектов, публикации или open-source вклад приветствуются
• Опыт работы в regulated средах и compliance с GDPR, CCPA, PCI DSS
• Броад exposure к enterprise-scale AI solution design в BFSI, Healthcare, Aerospace, Manufacturing, Energy, Telecom

Условия

• Гибкий график работы
• Возможность удаленной работы / home office
• 5 недель оплачиваемого отпуска
• 5 дней больничного
• Мультиспорт карта
• Доплата на питание
• Внутреннее обучение через воркшопы и семинары
• Оплачиваемые сертификации и техническое/soft-skills обучение
• Возможность участия в международных конференциях
• Свежие фрукты, кофе и еженедельный завтрак в офисе
• Bonus loyalty после 5, 10, 15+ лет работы в компании
• Referral bonus программа
• Корпоративные мероприятия: тимбилдинги, outdoor активности, рождественская вечеринка, health week, летний десерт и многое другое
• Гибридные и remote форматы в офисах Прага, Hradec Králové и Zlín

Навыки

• Python
• PyTorch
• TensorFlow
• JAX
• LangChain
• Hugging Face
• Large Language Models
• Generative AI
• Retrieval Augmented Generation
• Prompt Engineering
• Multi-Agent Systems
• MLOps
• LLMOps
• CI/CD
• Model Observability
• Model Evaluation
• Docker
• Kubernetes
• AWS SageMaker
• Azure Machine Learning
• Google Cloud Vertex AI
• NVIDIA AI Platform
• Apache Spark
• Apache Kafka
• Flink
• PostgreSQL
• MySQL
• NoSQL
• Cassandra
• Neo4j
• Databricks
• Snowflake
• CRISP-ML(Q)
• TDSP
• GDPR
• CCPA
• PCI DSS
• API Design
• Microservices
• Event-Driven Architecture
• Machine Learning Operations
• Data Ingestion
• Model Serving
• Containerization
• Cloud-Native Architecture

Могут спросить на собеседовании

1. Расскажите о наиболее сложном AI-проекте, который вы реализовали, и какие архитектурные решения были приняты?
2. Как вы подходите к оценке и мониторингу производительности AI-моделей в production среде?
3. Опишите ваш опыт работы с RAG и multi-agent системами. Какие подходы вы использовали?
4. Как вы обеспечиваете безопасность и compliance AI-систем при работе с чувствительными данными?
5. Какие методы вы применяете для кросс-функциональной коммуникации с non-technical stakeholders?