Applied AI Engineer, Codex

О позиции

Вы будете работать в команде прикладной инженерии OpenAI, помогая организациям превращать передовые возможности искусственного интеллекта в безопасные, надёжные и высокоэффективные производственные системы. В частности, вы будете фокусироваться на продукте Codex и его интеграции в жизненный цикл разработки программного обеспечения — от планирования до тестирования и выпуска продуктов. Работа предполагает сочетание глубоких технических компетенций, практической инженерии и лидерства в работе с клиентами для реализации амбициозных идей от прототипа до масштабного внедрения.

Будет плюсом

• Опыт работы в роли applied AI/ML engineer, forward-deployed engineering, developer tooling или solutions architecture
• Деплой систем, использующих LLM и agentic workflows в продакшене
• Вклад в ресурсы типа OpenAI Cookbook или аналогичных открытых материалов
• Опыт работы с observability и tracing системами в контексте ML-контейнеров
• Участие в разработке публичных API и SDK для ИИ-продуктов
• Знакомство с платформами GCP/AWS/Delta

Условия

• Работа в команде OpenAI над передовыми ИИ-возможностями
• Гибридная модель работы: 3 дня в офисе в Мадриде
• Помощь с релокацией для новых сотрудников
• Возможность прямого влияния на развитие технологий ИИ-программирования
• Взаимодействие с ведущими инженерными организациями
• Командуя с продуктом, исследованиями, безопасностью и продажами
• Вклад в материалы типа OpenAI Cookbook и технические паттерны
• Измерение успеха через производственные системы и устойчивое внедрение

Навыки

• Python
• Machine Learning Engineering
• Software Architecture
• API Development
• Model Deployment
• Docker
• Kubernetes
• Git
• CI/CD
• Observability
• Security Engineering
• Agentic Workflows
• LLM Applications
• Evaluation Systems
• Cloud Infrastructure

Могут спросить на собеседовании

1. Расскажите о примере сложной ИИ-системы, которую вы внедрили в продакшен. Какие вызовы возникли и как вы их решали?
2. Как вы оцениваете эффективность ИИ-кодинговых инструментов? Какие метрики используете?
3. Опишите ситуацию, когда вам пришлось принять техническое решение с неполными данными. Как вы действовали?
4. Как вы балансируете между скоростью внедрения и надёжностью системы при работе с ИИ-компонентами?
5. Приведите пример, как вы перевели insights из клиентского использования продукта обратно в требования для команды разработки.