Lead AI/ML Software Engineer

О позиции

Raft — это технологическая компания в сфере обороны, которая создаёт передовые ИИ/ML и дата-решения для военных и государственных учреждений США. Наша флагманская платформа [R]AIMS (Raft AI Mission System) позволяет инженерам быстро разрабатывать и развертывать ИИ-пайплайны для миссий в динамичных операционных средах. Мы ищем опытного ведущего инженера по ИИ/ML, который сможет формировать архитектуру следующего этапа развития платформы, принимая сложные архитектурные решения и поднимая техническую планку команды.

Чем заниматься

• Принятие архитектурных решений для платформы [R]AIMS, оценка компромиссов между производительностью, масштабируемостью, безопасностью и поддерживаемостью
• Ведение крупных технических проектов от концепции до внедрения, декомпозиция неоднозначных задач в исполняемые планы
• Оптимизация архитектуры распределённых систем при росте платформы, снижение сложности и повышение надёжности
• Оптимизация производительности платформы на edge и cloud-деплоях, выявление и устранение узких мест в требовательных к задержкам средах
• Установление сильных инженерных фундаментов и повторно используемых технических паттернов
• Менторство инженеров разного уровня, проведение код-ревью и улучшение технического исполнения команды
• Партнёрство с ML-инженерами по интеграции моделей, оптимизации инференса и операционализации агентных рабочих процессов
• Работа напрямую с клиентами и программными стейкхолдерами в оперативных средах Министерства обороны

Что ждут

• 6+ лет опыта в разработке и продакшене программного обеспечения полного стека (frontend, backend, инфраструктура, ML)
• Глубокие знания инженерии ПО, способность проектировать и эволюционировать сложные системы, работающие в масштабе
• Опыт проектирования и развития распределённых систем: сервизная декомпозиция, паттерны межсервисной коммуникации, отказоустойчивость, observability
• Сильный практический опыт работы с Kubernetes и cloud-native архитектурой в продакшене
• Опыт построения data-intensive или AI-enabled систем с реальными пользователями и ограничениями по производительности
• Техническое лидерство над крупными кросс-функциональными инженерными инициативами
• Сильные навыки системного дизайна и принятия архитектурных решений в условиях неполной информации
• Некоторый опыт обучения, тонкой настройки или деплоя ML-моделей в продакшн-контекстах
• Возможность получить Security+ сертификацию в течение первых 90 дней
• Гражданство США обязательно; возможность получения и поддержания допуска Top Secret/SCI

Будет плюсом

• Опыт построения AI/ML инфраструктуры или агентных систем, включая фреймворки оркестрации, паттерны инструментального использования, интеграцию LLM в продакшен
• Опыт со стриминговыми и event-driven архитектурами (Kafka, Kafka Streams, Apache Flink)
• Опыт platform engineering и внутренних developer-инструментов (golden-path фреймворки, shared libraries, улучшения DX)
• Опыт реал-тайм инференса или operational AI систем в средах с требованиями к задержкам
• Опыт построения безопасных, комплаентных систем для регулируемых или критически важных сред (IL4/IL5/IL6, RMF)
• Опыт работы в обороне, национальной безопасности или классифицированных программах
• Активный статус допуска (preferred)

Условия

• Высококонкурентная зарплата ($180,000–$230,000 USD/год)
• Полное медицинское, стоматологическое и зрительное страхование
• 401(k) с匹配ем компании
• PTO по необходимости + 11 оплачиваемых праздников
• Образовательные и тренировочные бенефиты
• Щедрые реферальные бонусы

Навыки

• Distributed Systems
• Kubernetes
• Cloud-Native Architecture
• Machine Learning
• Deep Learning
• Python
• System Design
• Agentic AI
• LLM Integration
• Apache Kafka
• Real-Time Inference
• Data Pipeline Engineering
• ML Infrastructure
• Observability
• Fault Tolerance

Могут спросить на собеседовании

1. Как вы подходите к принятию архитектурных решений в условиях неполной информации и ограниченного времени?
2. Расскажите о вашем опыте проектирования отказоустойчивых распределённых систем. С какими инцидентами сталкивались и как их разрешали?
3. Как вы организуете работу ML-инженеров по deployment моделей в production? Какие пайплайны и best practices используете?
4. Приведите пример, когда вы упрощали сложную архитектуру без потери функциональности. Какой подход использовали?
5. Как вы балансируете скорость доставки миссии и долгосрочную целостность платформы? Дайте пример из практики.