Senior AI Solutions Architect with LLM and RAG
DataArt
Rola łączy architekturę i implementację zaawansowanych rozwiązań opartych na LLM z naciskiem na RAG i integrację z grafami wiedzy. Będziesz projektować i zarządzać kompletną warstwą orkiestracji, od ekstrakcji encji po wyszukiwanie semantyczne i agentowe przepływy pracy. Praca jest mocno techniczna i wymaga głębokiego zrozumienia embedddingów, chunkingu, prompt engineeringu oraz optymalizacji kosztów LLM. Platforma budowana jest w chmurze Google Cloud z wykorzystaniem Vertex AI i Gemini.
Brakuje: nie podano wielkości zespołu ani struktury (np. ilu developerów, data scientistów), brak opisu klienta i kontekstu biznesowego (startup, enterprise, domena).
Rola łączy architekturę i implementację zaawansowanych rozwiązań opartych na LLM z naciskiem na RAG i integrację z grafami wiedzy. Będziesz projektować i zarządzać kompletną warstwą orkiestracji, od ekstrakcji encji po wyszukiwanie semantyczne i agentowe przepływy pracy. Praca jest mocno techniczna i wymaga głębokiego zrozumienia embedddingów, chunkingu, prompt engineeringu oraz optymalizacji kosztów LLM. Platforma budowana jest w chmurze Google Cloud z wykorzystaniem Vertex AI i Gemini.
- ✓26 dni urlopu i 10 dni chorobowych bez L4 dla wszystkich typów umów
- ✓Dostęp do platform edukacyjnych (O’Reilly, LinkedIn Learning, Udemy) i wewnętrznych szkoleń
- ✓Refundacja certyfikatów (AWS, GCP, Microsoft)
- ✓Program mentorski i możliwość rozwijania się jako speaker lub interviewer
- ✓Elastyczne miejsce pracy (pełne zdalne, hybrydowe lub w biurze)
- !Brak informacji o wielkości zespołu i liczbie projektów, nad którymi będziesz pracować
- !Outsourcing – możliwa zmiana projektu po zakończeniu obecnego (choć oferują płatny bench)
- !Brak wzmianki o procesie rekrutacyjnym (ile etapów, czy jest zadanie domowe)
- •Projektowanie i wdrażanie kompleksowych pipeline'ów orkiestracji LLM (od query po generowanie odpowiedzi)
- •Definiowanie strategii chunkingu i doboru modeli embeddingów z uwzględnieniem trade-offów między jakością a kosztem
- •Budowanie pipeline'ów ekstrakcji encji i normalizacji relacji dla grafów wiedzy
- •Implementacja i optymalizacja wyszukiwania semantycznego łączącego warstwy grafową i wektorową
- •Projektowanie i rozwijanie agentowych przepływów pracy (prompt engineering + agent workflows)
- •Tworzenie frameworków ewaluacyjnych: zestawy danych ground truth, metryki (recall, precision@K, faithfulness), testy regresyjne
- •Monitorowanie wydajności pipeline'ów AI poprzez observability, logowanie i tracing
- •Optymalizacja kosztów LLM w całym cyklu retrieval-generacji
Oferta dla doświadczonych specjalistów (Senior).
Inżynier z co najmniej 3-4 latami doświadczenia w budowaniu systemów AI, w tym przynajmniej rok z LLM i RAG w produkcji. Musi znać Pythona, wektorowe bazy danych i mieć podstawową wiedzę o grafach wiedzy. Gotowy do przejęcia odpowiedzialności za architekturę pod nadzorem seniora.
Nie dla początkujących (juniorów) ani osób bez praktycznego doświadczenia z produkcyjnymi systemami LLM. Jeśli preferujesz czystą architekturę bez kodowania, ta rola może być zbyt techniczna.
- ?Ile osób liczy zespół i jakie są role w projekcie?
- ?Czy projekt jest greenfield, czy rozwijamy istniejącą platformę?
- ?Jaki jest klient i branża, dla której budujemy to rozwiązanie?
- ?Czy są przewidziane dyżury on-call lub praca w weekendy?
- ?Jak wygląda proces definiowania metryk ewaluacyjnych – czy mamy już jakieś baseline?
- ?Czy w projekcie korzystamy już z GCP, czy dopiero planujemy migrację?
- ?Jaka jest oczekiwana skala systemu (liczba zapytań, rozmiar danych)?
- −Nie podano wielkości zespołu ani struktury (np. ilu developerów, data scientistów)
- −Brak opisu klienta i kontekstu biznesowego (startup, enterprise, domena)
- −Nie wiadomo, czy projekt jest już w fazie produkcyjnej, czy dopiero startuje
- −Brak informacji o procesie rekrutacyjnym (etapy, czas trwania)
Na poziomie rynkowym
≈ 178,6–235,1 zł/h
Dane z aktywnych ofert zawierających technologię LLM. Pełne statystyki zarobków →