Senior AI Engineer (AWS Bedrock)

О позиции

Automat-it — глобальный AWS Premier Partner с более чем 800 клиентами, специализирующийся на экосистеме стартапов. Компания обладает командой из 500+ AWS-сертифицированных специалистов с экспертизой в AI, DevOps и FinOps. Мы помогаем стартапам сокращать time-to-market и оптимизировать облачную инфраструктуру. Вакансия предназначена для опытного инженера, который готов брать на себя проекты от дизайна до продакшн-развёртывания и работать напрямую с дата-сайнс командами клиентов.

Чем заниматься

• Разработка и развертывание продакшен-готовых GenAI-систем на AWS (Amazon Bedrock, AgentCore, RAG, intelligent document processing, voice AI)
• Проектирование и реализация AI-агентов с использованием Amazon Bedrock AgentCore, AWS Strands, MCP и оркестрационных фреймворков
• Сотрудничество с Solution Architects, DevOps и клиентскими командами для превращения POC в production-решения
• Оценка и выбор оптимальных LLM по точности, задержкам, стоимости и требованиям клиента
• Создание переиспользуемых AI-компонентов и паттернов развёртывания для ускорения будущих проектов
• Мониторинг и улучшение ML/LLM систем в production (производительность, стоимость, надёжность)
• Работа с AWS-сервисами: Bedrock, OpenSearch, Lambda, S3, DynamoDB, SageMaker, CloudWatch
• Адаптация существующего ML/GenAI кода под production-окружения
• Постоянное улучшение качества систем (retrieve performance, consistency output, evaluation approaches)

Что ждут

• Сильный практический опыт построения и развертывания AI/GenAI систем в production
• Глубокий опыт работы с AWS beyond model invocation (infrastructure, IAM, serverless, networking, storage, monitoring)
• Практический опыт создания RAG-систем (retrieval logic, vector databases, output quality improvements)
• Хорошее понимание современных LLM экосистем (commercial и open-source модели, trade-offs, deployment options)
• Сильные навыки Python и бэкенд-архитектуры
• Опыт проектирования multi-agent систем и сложных orchestration workflows
• Знание векторных баз данных (OpenSearch, pgVector, Pinecone)
• Комфорт в fast-moving средах с короткими проектными циклами (недели-месяцы)
• Отличные коммуникативные навыки и умение работать напрямую с клиентами
• Свободное объяснение технических решений на английском языке

Будет плюсом

• Опыт работы с Amazon Bedrock Knowledge Bases, AgentCore, Agents, AWS Strands или MCP
• Опыт селекции и оптимизации LLM по качеству, latency и cost
• Технические знания Infrastructure as Code (Terraform, CloudFormation, AWS CDK), Docker, Kubernetes, CI/CD
• Опыт speech-to-text, text-to-speech или Voice AI
• Бэкграунд в Machine Learning или Data Science (model training/fine-tuning)

Условия

• Уникальный проект в быстрорастущей экосистеме AWS Premier Partner
• Работа с инновационными технологиями GenAI и LLM
• Возможность напрямую взаимодействовать с международными клиентами
• Удалённая работа из Украины с гибким графиком
• Карьерный рост в команде опытных AWS-экспертов
• Доступ к современным инструментам и образовательным ресурсам
• Международная рабочая среда с разнообразием проектов

Навыки

• Amazon Bedrock
• Python
• AWS Lambda
• OpenSearch
• S3
• DynamoDB
• SageMaker
• CloudWatch
• RAG systems
• Vector databases
• Agent frameworks
• Multi-agent systems
• LLM optimization
• Infrastructure as Code
• Docker
• Kubernetes
• CI/CD pipelines
• Voice AI
• Generative AI
• System design
• Backend development
• Production deployments
• Monitoring and observability
• AWS IAM
• Serverless architecture

Могут спросить на собеседовании

1. Расскажите о вашем опыте построения RAG-систем в production: какие компоненты вы использовали, с какими вызовами столкнулись и как их решили?
2. Как вы оцениваете и выбираете между различными LLM для конкретных задач? Какие метрики важнее всего?
3. Опишите случай, когда вам пришлось адаптировать ML/GenAI код под production требования — какие изменения были критическими?
4. Какие подходы вы используете для мониторинга и улучшения качества генерируемого контента в продакшене?
5. Расскажите о вашей работе с мульти-агентными системами: какую архитектуру вы выбирали и почему?