AI / ML Developer

О позиции

Вы будете работать в динамичной инновационной среде над созданием proof-of-concept для передовых ИИ и ML use cases. Роль сосредоточена на экспериментовании с новейшими аналитическими инструментами, их интеграции в облачную аналитическую экосистему и помощи в переходе успешных концепций в операционное развёртывание. Вы тесно сотрудничаете с инженерными и продуктовыми командами, оцениваете новые инструменты, создаёте технические демонстрации и обеспечиваете коммуникацию обновлений платформы.

Будет плюсом

• Опыт в multi-agent системах или coordinated agent workflows
• Знание фреймворков: LangChain, LlamaIndex, Strands Agents, LangGraph, CrewAI
• Оценка производительности агентов, реализация guardrails, designing safe action-execution patterns
• Work с vector databases, embedding models, advanced retrieval
• Интеграция агентов в analytics/data платформы (Databricks, Snowflake)
• Опыт в оптимизации: model routing, response validation layers, inference acceleration
• Опыт с sensitive data и compliance (HIPAA, federal security standards, PHI protection)

Условия

• Конкурентоспособная заработная плата ($86,000–$138,000/year)
• Medical, dental, vision insurance
• Life и disability insurance
• Health savings account
• Short/long term disability
• EAP (Employee Assistance Program)
• Parental leave
• 401(k) retirement plan
• Paid time off и company holidays
• Overtime и shift differential где применимо
• Discretionary bonus помимо base pay

Навыки

• Python
• Machine Learning
• Deep Learning
• Large Language Models
• RAG
• Fine-tuning
• Prompt Engineering
• Agentic AI
• Multi-agent Systems
• MLOps
• LLMOps
• LangChain
• LlamaIndex
• Vector Databases
• Embedding Models
• Azure
• AWS
• GCP
• Microservices
• APIs
• CI/CD
• Git
• Kubernetes
• Docker
• Data Pipelines

Могут спросить на собеседовании

1. Как вы подходите к проектированию agentic AI систем с учётом надёжности и безопасности?
2. Расскажите о вашем опыте внедрения MLOps практик в production-средах.
3. Какие подходы вы использовали для интеграции LLM в существующие системы через RAG?
4. Как вы обеспечиваете quality assurance и performance evaluation в мультиагентных потоках?
5. Приведите пример, когда вы адаптировали ambiguous business requirement в техническое решение.