Senior Applied AI/ML Scientist - Compass

О позиции

Faire — технологическая B2B-платформа оптовой торговли, соединяющая независимых ритейлеров со брендами по всему миру. Compass — ключевой AI-продукт внутри Discovery Pillar: контекстно-осведомлённый ассистент, помогающий ритейлерам принимать умные закупочные решения с опорой на проприетарные данные Faire, агентный AI и веб-поиск. Позиция Senior Applied AI/ML Scientist — это техническое и научное лидерство продукта без прямых подчинённых: вы единолично формируете направление, пишете код и шипите фичи с высокой скоростью.

Будет плюсом

• Опыт в e-commerce, маркетплейсах или двусторонних платформах
• Опыт эволюции read-only ассистента в агента, выполняющего действия: confirm-first паттерны, guardrails, failure containment
• Практический опыт с OpenAI Agents SDK или аналогичными агентными фреймворками в production
• Знакомство со стратегиями preload-over-RAG, Snowflake-backed grounding или гибридными подходами
• Опыт 0→1 / early-stage разработки продукта
• Бэкграунд в recommendation, retrieval или personalization моделировании
• Публичные материалы (статьи, open-source, доклады) об агентных / applied-AI системах

Условия

• Конкурентная зарплата (CAD 171 000–235 500/год) + equity + полный пакет льгот
• Гибридный формат: 3 дня в офисе (Вт, Чт + flex), до 4 недель полностью удалённо в год
• Офисы в Китченер-Ватерлоо и Торонто
• Доступ к последним enterprise AI-инструментам для повышения личной продуктивности
• Команда из senior-специалистов, выходцев из Square, с бэкингом Y Combinator, Sequoia, Founders Fund и других топовых фондов
• Возможность строить продукт с нуля и напрямую влиять на исход — без бюрократических слоёв
• Инклюзивная среда с равным доступом к росту и возможностям

Навыки

• Python
• LLM
• Agentic AI
• OpenAI Agents SDK
• RAG
• LLM-as-Judge
• A/B Testing
• Machine Learning
• Data Science
• Backend Development
• Frontend Development
• Snowflake
• Experimentation
• Evaluation Frameworks
• Tool Calling
• Prompt Engineering
• Vector Search
• Recommendation Systems
• Retrieval-Augmented Generation
• AI Coding Tools

Могут спросить на собеседовании

1. Опишите агентную систему, которую вы построили в production. Какую eval-стратегию вы использовали и как она эволюционировала по мере роста системы?
2. Как вы выбираете между стратегиями context preload и tool-calling для конкретного сценария ассистента? Приведите конкретный пример трейдоффа.
3. Расскажите о случае, когда данные изменили ваш взгляд на приоритет продуктовой фичи. Как вы структурировали анализ и что из этого вышло?
4. Как вы проектируете guardrails и failure containment для агента, который начинает выполнять действия от имени пользователя (например, размещать заказы)?
5. Вы одновременно являетесь владельцем науки и единственным инженером, шипящим фичи. Как вы расставляете приоритеты между исследовательской работой и инженерным долгом в условиях высокого темпа?