Alkalmazott MI-mérnök

Stack

Feladatok

• ▹Elemző ügynökök végponttól végpontig történő építése és gondozása: Slack-natív ügynökök, amelyek az üzleti kérdéseket irányított SQL-lé fordítják az analitikai adattárházon, válaszolnak vezetői P&L-kérdésekre, napi állapotösszefoglalókat küldenek, és adatalapú gyökérok-elemzéssel magyarázzák a metrikák mozgását; SQL- és sémavalidációval, eredmény-épségellenőrzéssel és a napi metrikák kanonikus riportnézetekkel való keresztellenőrzésével védve
• ▹Az első szállítandó egy éles SQL BI-elemző ügynök, amely validált lekérdezésekkel, épségellenőrzött eredményekkel és minden szám mögött idézett bizonyítékkal válaszol
• ▹Ügyfélközeli ügynökök építése: szándék szerinti szétválogatás és irányítás, verziózott tudásbázisokra épülő, visszakeresés-alapú (RAG) válaszok szigorú megszakítás-és-eszkalálás tartalékkal, többfordulós beszélgetési állapotgépek, lokalizált márkahang és eszkalációs logika; integrálva a helpdesk- és CRM-platformokkal (webhook-fogadás, munkamenet-életciklus kezelés, szándék-metaadat címkézés, automatikus eszkalációs jegyek előre csomagolt eszközkontextussal)
• ▹Kockázat szerint rétegzett eszközréteg építése az ügynökök és a háttérrendszeri API-k között: csak olvasó kontextusgyűjtő eszközök, információ-első validáció bármely művelet előtt, többfordulós megerősítési munkafolyamatok, és eszközönkénti kapcsoló, amely az alacsony kockázatú módosításokat a vezetői jóváhagyásról teljesen autonóm végrehajtásra állítja, ahogy gyűlik a bizonyíték
• ▹Az ügynökök megerősítése az ellenséges bemenetek ellen: prompt injection szűrés, bizalmi küszöbös befagyasztás érzékeny szándékoknál, csendes biztonsági eszkalációs útvonalak, védelem az eszközökkel való visszaélés és az adatkiszivárogtatás ellen
• ▹Ügynökök építése az autonómia-létrán LangGraph, Anthropic Agent SDK / Model Context Protocol (MCP) vagy egyenértékű orkesztrációs keretrendszerek használatával; zárt visszacsatolási hurok (javítások rögzítése, bevált lekérdezések és szemantikus memória), döntés-auditnaplózás és értékelő keretrendszerek, köztük regressziós csomagok, amelyek igazolják, hogy az új eszközök vagy szándékok nem rontják a meglévő útvonalakat
• ▹A platform döntési jelzései mögötti modellek építése és éles üzembe vitele: lemorzsolódás, élettartam-érték és bónusz-érzékenység modellek az elköteleződéshez; összetett játékos-kockázati pontszámok az azonosítás, fizetés, játékmenet, bónusz és hálózati jelek alapján; összejátszás, bot-játék és többszörös regisztráció felismerése; anomáliaészlelés a kincstári és fizetési műveletekhez
• ▹Modellek szállítása irányított jelzésként, nem notebookként: verziózott, SLA-val ellátott szerződések a döntési motorral és az ügynökökkel, frissesség-, drift- és kalibráció-monitorozással és automatikus újratanítási útvonalakkal, valós idejű (Kafka/MSK), közel valós idejű és batch (ClickHouse) rétegeken kiszolgálva
• ▹Többvektoros pénzkivételi kockázatpontozás: vektoronkénti pontszámok idézett indoklással és bizonyossággal, bizonyíték-tudatos aggregáció, és automatikus újrapontozás, amikor késői bizonyíték érkezik
• ▹Üzleti szabályok kodifikálása a terület felelőseivel és a szabályzat auditálhatóan tartása: a szabályzat lefordítása determinisztikus, konfigurálható szabályokká; minden szabály- vagy küszöbváltoztatás szimulálása és visszatesztelése historikus adatokon az aktiválás előtt; holdout- és kontrollcsoportok tervezése a valódi hatás méréséhez; mélyelemzések az ügynökök és a vezetőség számára
• ▹Felügyeleti és jóváhagyási felületek építése az ügynököknek: felülvizsgálati sorok egykattintásos javaslatkártyákkal a magas kockázatú módosításokhoz, kereshető munkamenet-visszajátszás (promptok, modellkimenetek, érvelési láncok, eszköz-hívások), és strukturált értékelő modul, amelynek kimenete az értékelő és finomhangoló adatkészleteket táplálja
• ▹Dashboardok tervezése és szállítása az üzlet számára: döntés-auditnézetek, ügynökteljesítmény-dashboardok (javítási arány, hibaarány, döntésvolumen szabály és vektor szerint), kockázat-felülvizsgálati sorok és KPI-nézetek a BI csapattal, az MI-támogatott anomáliaészlelés és magyarázat felé haladva

Elvárások

• ▹Legalább 4 év szoftver-, adattudományi vagy gépi tanulási mérnöki tapasztalat, ebből legalább 1 év LLM-alapú ügynökök éles építése: eszközhasználat és függvényhívás, strukturált kimenetek, visszakeresés és memória, többlépéses orkesztráció olyan keretrendszerekkel, mint a LangGraph vagy az Anthropic Agent SDK
• ▹Éles RAG rendszer szállítása, és konkrét beszélgetés a megalapozásról, a darabolásról, a visszakeresés minőségéről, a hallucináció kezeléséről és arról, mikor kell megtagadni a választ
• ▹Az ügyfélközeli ügynökök támadási felületként kezelése: magyarázat arra, hogyan védenél a prompt injection, az eszköz-hívásokkal való visszaélés és a modellkimeneteken keresztüli adatszivárgás ellen
• ▹Az éles ML életciklus birtoklása: feature engineering, tanítás, kiszolgálás, monitorozás és újratanítás; csalás-, kockázat- vagy visszaélés-észlelési tapasztalat erős jel (kiegyensúlyozatlan osztályok, ellenséges felhasználók, költségaszimmetrikus döntések)
• ▹Statisztikai szigor: kísérlettervezés, holdout- és kontrollcsoportok, hatásmérés (uplift) és pontszám-kalibráció; egy küszöbválasztást ugyanúgy meg tudsz védeni egy megfelelőségi ellenőr előtt, mint egy mérnök előtt
• ▹Értékelési fegyelem nem determinisztikus rendszereknél: értékelő keretrendszerek és regressziós csomagok építése, és a minőségromlás felismerése a felhasználók előtt
• ▹Erős Python éles szolgáltatásokhoz, TypeScript-jártasság a felülvizsgálati és jóváhagyási felületekhez, erős SQL oszlopos analitikai adatbázisokon (ClickHouse előnyben)
• ▹Képesség saját munkád stakeholder-kész felületre vitelére: felülvizsgálati sorok, jóváhagyási felületek, dashboardok és könnyű belső alkalmazások front-end keretrendszerrel vagy olyan eszközökkel, mint a Streamlit; nem vársz másik csapatra, hogy láthatóvá tegye a munkádat
• ▹Tapasztalat olyan rendszerek tervezésében, ahol a modellkimenetek determinisztikus végrehajtást táplálnak, a határ tisztán tartásával (a modellek pontoznak, javasolnak és fogalmaznak; az irányított logika dönt), LLM-megfigyelhetőséggel és nyomkövetéssel (Langfuse, LangSmith vagy hasonló), és annak birtoklásával, amit szállítasz, akkor is, ha elromlik

Előny

• ▹Tapasztalat iGaming vagy más magas bizalmú, tranzakció-intenzív környezetben, ahol a biztonság, a csalásmegelőzés, az auditálhatóság, a nyomon követhetőség, az adatintegritás és a robusztus működési kontrollok alapvető mérnöki követelmények
• ▹Helpdesk- vagy ügyfélszolgálati platform-integrációs tapasztalat (Intercom, Zendesk vagy hasonló): webhookok, beszélgetési API-k, ügynök-asszisztencia vagy teljes automatizálás
• ▹Blokklánc- vagy kriptonatív tranzakciós folyamatok ismerete, beleértve a láncon lévő adatokat, a tárca-klaszterezést vagy a stablecoin-elszámolást
• ▹Tapasztalat megszorításos optimalizálással, bandit-algoritmusokkal vagy megerősítéses tanulással kemény üzleti korlátok (költségvetés, plafon, kizárási listák) között
• ▹Tapasztalat szabálymotorokkal vagy döntéskezelő rendszerekkel, valamint Slack-alkalmazás fejlesztéssel
• ▹Esemény-vezérelt és streaming tapasztalat: Kafka vagy MSK fogyasztók, idempotens feldolgozás és hibakezelés

Soft skillek

Amit kínálunk

• ▹Teljesen távoli munka aszinkron-első kommunikációval; az EU-időzóna átfedése előnyös
• ▹Kis, nagy autonómiájú Intelligence csapat az adatfunkción belül; a Head of Data-nak jelentesz
• ▹Dokumentált és megvitatott architekturális döntések, tervátnézésekben való részvétel és a saját területi döntések birtoklása
• ▹Az autonómiát a bizonyíték érdemli ki: a modellek és ügynökök javaslat-módban, emberi jóváhagyással indulnak, és szintenként lépnek előre szimuláció és eredményadatok alapján

A munkáltatóról

A Block Labs technológiai stúdió a Web3, a mesterséges intelligencia és az iGaming területén, amely nagy léptékű, éles platformokat épít. Senior mérnökökből, termékstratégákból és építőkből álló közösség, amely a mély műszaki szakértelmet és a megfontolt rendszertervezést értékeli.