AI Engineer
Deviniti
Rola AI Engineera skupiona na tworzeniu produkcyjnych rozwiązań GenAI dla klientów enterprise, szczególnie w branżach regulowanych. Kandydat będzie odpowiedzialny za projektowanie, budowę, integrację, monitorowanie jakości i bezpieczeństwa tych rozwiązań. Praca obejmuje cały proces od doprecyzowania potrzeby, przez development, aż po wdrożenie produkcyjne, z naciskiem na RAG, API, serving, guardrails, monitoring i optymalizację kosztów.
Brakuje: nie podano konkretnych informacji o wielkości zespołów projektowych, z którymi będzie współpracował ai engineer., nie sprecyzowano, czy projekty są długoterminowe, czy krótkoterminowe..
Rola AI Engineera skupiona na tworzeniu produkcyjnych rozwiązań GenAI dla klientów enterprise, szczególnie w branżach regulowanych. Kandydat będzie odpowiedzialny za projektowanie, budowę, integrację, monitorowanie jakości i bezpieczeństwa tych rozwiązań. Praca obejmuje cały proces od doprecyzowania potrzeby, przez development, aż po wdrożenie produkcyjne, z naciskiem na RAG, API, serving, guardrails, monitoring i optymalizację kosztów.
- ✓Praca zdalna.
- ✓Produkcyjne rozwiązania GenAI dla klientów enterprise z branż regulowanych.
- ✓Zespół składa się z 14 osób, w tym AI Architect, ML Engineer/Data Scientist, Python Developer, ML Ops oraz FullStack Developer, co sugeruje możliwość nauki od doświadczonych specjalistów.
- ✓Kultura pracy oparta na code review, quality gates, pair i mob programmingu, dzieleniu się wiedzą oraz „blameless” post-mortems.
- ✓Możliwość pracy przy różnorodnych projektach, także w środowiskach regulowanych i z ograniczeniami narzędziowymi.
- ✓Możliwość wsparcia sprzedaży na etapach presales.
- ✓Dostęp do kafeterii Mybenefit z Multisportem, Mindgrama i Luxmed.
- ✓Grupa biegowa prowadzona przez własnego trenera.
- ✓Ścieżki karier oraz możliwość szkoleń wewnętrznych i zewnętrznych.
- ✓Kultura konstruktywnego feedbacku i uznania (kudosy).
- ✓Zajęcia hobbystyczne.
- ✓Program CSR - Deviniti Cares.
- !W ofercie wymieniono wiele technologii i narzędzi, co może sugerować szeroki zakres odpowiedzialności lub potrzebę szybkiego uczenia się.
- !Proces rekrutacji obejmuje 4 etapy, co może być czasochłonne.
- •Projektowanie i implementacja aplikacji GenAI, w tym rozwiązań RAG.
- •Tworzenie API i servingów z wykorzystaniem FastAPI.
- •Budowa pipeline’ów obejmujących chunking, embeddingi, indeksację, hybrydowe wyszukiwanie oraz reranking.
- •Ewaluacja jakości rozwiązań offline i online, przygotowywanie testów regresji RAG oraz monitoring jakości i kosztów.
- •Wdrażanie guardrails, m.in. filtracja treści, bezpieczeństwa promptów, polityki dostępu.
- •Integracje z systemami klienta przez REST, gRPC, ESB lub EventBus.
- •Monitoring i observability, w tym logging, tracing i metryki z wykorzystaniem OpenTelemetry.
- •Optymalizacja wydajności, kosztów wykorzystania modeli oraz latencji.
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Kandydat z minimum 4-letnim doświadczeniem w tworzeniu produkcyjnych rozwiązań w Pythonie, praktyczną znajomością FastAPI, podstawową znajomością LLM/GenAI (np. RAG), LangChain/LlamaIndex oraz doświadczeniem z jednym z rozwiązań chmurowych. Znajomość PostgreSQL, Docker, podstawy Kubernetes/OpenShift, CI/CD i observability jest wymagana. Komunikatywność i świadomość wymagań bezpieczeństwa danych są kluczowe.
Rola nie jest dla osób z mniejszym niż 4-letnim doświadczeniem w tworzeniu produkcyjnych rozwiązań w Pythonie, ani dla tych, którzy nie posiadają praktycznej znajomości FastAPI, LLM/GenAI (szczególnie RAG) i LangChain/LlamaIndex. Brak doświadczenia z jednym z głównych dostawców chmurowych (Azure/AWS) lub podstawowej znajomości PostgreSQL, Docker, Kubernetes/OpenShift, CI/CD i observability również dyskwalifikuje kandydata.
- ?Jakie są największe wyzwania związane z wdrażaniem rozwiązań GenAI w branżach regulowanych?
- ?Jak wygląda proces ewaluacji jakości rozwiązań RAG i jakie są typowe problemy napotykane podczas testów regresji?
- ?Jakie są typowe scenariusze wykorzystania guardrails w projektach GenAI?
- ?Jakie są główne kryteria optymalizacji wydajności, kosztów i latencji w projektach GenAI?
- ?Jak wygląda proces dokumentowania decyzji technicznych (ADR-y, model cards) w zespole?
- ?Jakie są oczekiwania dotyczące współpracy z klientem na etapie presales?
- ?Jakie są priorytety w zakresie bezpieczeństwa danych i RODO w kontekście GenAI dla klientów enterprise?
- −Nie podano konkretnych informacji o wielkości zespołów projektowych, z którymi będzie współpracował AI Engineer.
- −Nie sprecyzowano, czy projekty są długoterminowe, czy krótkoterminowe.
- −Brak informacji o konkretnych narzędziach do monitoringu i observability, poza ogólnym wskazaniem OpenTelemetry.
- −Nie podano szczegółów dotyczących procesu onboardingu dla nowych członków zespołu.
Kultura pracy oparta na code review, quality gates, pair i mob programmingu, dzieleniu się wiedzą oraz „blameless” post-mortems. Zespół jest nastawiony na rozwój, współpracę i dzielenie się wiedzą. Oferowane są również zajęcia hobbystyczne i program CSR.
1. Weryfikacja CV. 2. Rozmowa wstępna (ok. 30 minut). 3. Spotkanie rekrutacyjne (+ ewentualnie drugie spotkanie) (ok. 1h). 4. Decyzja o współpracy (w ciągu dwóch tygodni od spotkania).
Powyżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię PostgreSQL. Pełne statystyki zarobków →