Expert AI Engineer

О позиции

Мы — международная компания по разработке кастомных продуктов, которая помогает крупным организациям и стартапам решать сложные бизнес-задачи с помощью передовых технологий. В команде из более чем 4000 специалистов вы станете техническим лидером, отвечающим за проектирование и внедрение продвинутых систем искусственного интеллекта. Вы будете работать в кросс-функциональной среде над проектами глобального масштаба, участвуя в продажах, разработке архитектуры и развитии команды.

Чем заниматься

• Проектировать и разрабатывать продвинутые системы ИИ в области Data Science и AI Engineering
• Архитектурить и реализовывать масштабируемые ML/LLM пайплайны, включая RAG, оркестрацию и многоагентные системы
• Выступать как технический эксперт при работе с клиентами, обеспечивая качество архитектуры, масштабируемость и надёжность решений
• Вносить вклад в разработку от прототипирования до production-реализации
• Внедрять лучшие практики MLOps и LLMOps для CI/CD, наблюдаемости и постоянного улучшения моделей
• Интегрировать AI-сервисы с корпоративными платформами (CRM, ERP, Jira, GitHub)
• Менторить инженеров и поддерживать обмен знаниями в команде
• Транслировать бизнес-требования в технические решения в продажах
• Участвовать в рекрутинге через технические интервью и оценку кандидатов

Что ждут

• 8+ лет опыта в ПО, data или AI engineering, включая 3–4 года hands-on разработки AI/ML решений
• Степень бакалавра/магистра/доктора в Computer Science, Mathematics, Engineering или смежных областях
• Глубокое понимание вероятности, статистики и математических основ ML и оптимизации
• Опыт построения и развертывания advanced AI систем, включая LLM, multimodal и generative architectures
• Знание agentic system design, RAG и prompt engineering
• Отличное владение Python и фреймворками (PyTorch, TensorFlow, LangChain, Hugging Face)
• Понимание modern AI engineering practices: model lifecycle management, observability, evaluation, versioning
• Опыт архитегтурирования end-to-end AI/ML решений: от data ingestion до мониторинга и оптимизации
• Навыки cloud-native AI платформ (AWS SageMaker, Azure ML, GCP Vertex AI, NVIDIA AI)
• Опыт работы с разными modalities данных (структурированные, текст, изображение, аудио, видео)
• Понимание security, data governance и compliance в AI системах
• Бизнес-опыт доставки production-grade решений с измеримым impact
• Опыт работы в regulated environments (GDPR, CCPA, PCI DSS) и управление чувствительными данными

Будет плюсом

• Фоновый опыт в software или solution architecture
• Сертифицированное владение AWS, Azure или GCP AI/ML сервисами
• Deep learning expertise (fine-tuning и оптимизация large моделей)
• Опыт с Big Data и streaming frameworks (Apache Spark, Kafka, Flink)
• Знание NoSQL и графовых баз данных (Cassandra, Neo4j)
• Публикации или open-source вклады в AI/ML
• Опыт в BFSI, Healthcare, Aerospace, Manufacturing, Energy или Tech секциях

Условия

• Работа с топовыми профессионалами в дружелюбной открытой среде
• Доступ к масштабным проектам глобального влияния
• Обучение: митапы, конференции, workshops, доступ Udemy, языковые курсы, оплачиваемые сертификаты
• Внутренняя мобильность для изучения различных доменов
• Радиальная гибкость: удалённая работа или офис на ваш выбор
• Медицинская подписка Regina Maria, обеденные талоны 40 RON нетто/день работы

Навыки

• Python
• PyTorch
• TensorFlow
• LangChain
• Hugging Face
• RAG
• LLMs
• Generative AI
• MLOps
• LLMOps
• CI/CD
• Docker
• Kubernetes
• AWS SageMaker
• Azure ML
• GCP Vertex AI
• Apache Spark
• Kafka
• Flink
• PostgreSQL
• NoSQL
• Neo4j
• Cassandra
• SQL
• Java
• Scala
• Data Privacy
• GDPR
• Observability
• Model Versioning
• Multi-Agent Systems
• Prompt Engineering
• Cloud Native Architecture

Могут спросить на собеседовании

1. Как вы проектировали масштабируемые AI/ML пайплайны в production?
2. Опишите ваш подход к оптимизации LLM для конкретных задач бизнеса
3. Как вы обеспечиваете безопасность и соответствие регуляторным требованиям в AI-системах?
4. Приведите пример, когда ваша архитектура ИИ повлияла на бизнес-метрики
5. Как вы оцениваете эффективность модели после деплоя?