MI-architekt

Stack

Feladatok

• ▹Végpontok közötti MI- és agentic AI-architektúrák tervezése és megvalósítása, amelyek az üzleti célokat a műszaki kiválósággal hangolják össze
• ▹Funkcionális, analitikai és nem funkcionális követelmények átalakítása hatékony, moduláris, skálázható és karbantartható rendszertervekké
• ▹Architektúra-minták meghatározása az MI-ügynökök, alapmodellek, adatplatformok, API-k, integrációs rétegek, orkesztráció, observability, biztonság és felhőinfrastruktúra területén
• ▹Együttműködés több funkciós csapatokkal a skálázhatóság, teljesítmény, ellenállóképesség, biztonság és megbízhatóság magas színvonalához
• ▹Referenciaarchitektúrák, újrahasznosítható komponensek, tervezési minták és technikai szabványok készítése az MI-megoldások szervezeten belüli gyorsabb szállításához
• ▹Megbízható technikai partnerként közreműködés a megoldás teljes életciklusában: architektúra- és tervezési review-k, útmutatás a megvalósítás során
• ▹Feltörekvő technológiák értékelése az MI, agentic AI, adat, automatizálás és felhő területén, valódi üzleti értéket hozó lehetőségek azonosításával
• ▹Az MI-megoldások hatékony integrálása a meglévő vállalati rendszerekkel, adatplatformokkal, alkalmazásokkal, API-kkal és felhőkörnyezetekkel
• ▹A felelős MI és a secure-by-design elvek képviselete: governance, nyomon követhetőség, adatvédelem, biztonság és megfelelőség beépítése az architektúrába
• ▹Fenntartható mérnöki gyakorlatok támogatása: költséghatékonyság, infrastruktúra-kihasználtság, modellhatékonyság, működési komplexitás és hosszú távú karbantarthatóság figyelembevétele
• ▹Segítség a kísérletezés és az éles üzem közötti szakadék áthidalásában, hogy az MI-koncepciókból stabil, nagyvállalati megoldások legyenek

Elvárások

• ▹3–6 év tapasztalat MI/ML-megoldások vagy fejlett analitikai architektúrák tervezésében és megvalósításában
• ▹Igazolt tapasztalat MI-modellek éles környezetbe integrálásában (API-k, mikroszolgáltatások vagy adatfolyamok)
• ▹Szilárd ismeret az MI- és ML-architektúrákról, beleértve a modell életciklusát (adatbetöltés, tanítás, validálás, üzembe helyezés)
• ▹Jártasság a felhőrendszerekben (Azure, AWS, GCP) és MI/ML-szolgáltatásaikban (pl. Azure ML, Vertex AI, OpenShift AI)
• ▹Gyakorlati tapasztalat MLOps-eszközökkel (MLflow, Kubeflow, Airflow) és konténer-orkesztrációval (Kubernetes, Docker)
• ▹Ismeret az agentic AI keretrendszerekről (LangChain, CrewAI, AutoGen, LlamaIndex) és a RAG-architektúrákról
• ▹Gyakorlati ismeret vektoradatbázisokról, API-król és integrációs mintákról intelligens rendszerekhez
• ▹Az adatvédelmi és szabályozási keretek ismerete (GDPR, EU AI Act, felelős MI elvei)
• ▹Alapdiploma vagy mesterdiploma számítástechnikai mérnöki, mesterséges intelligencia, adattudományi vagy rokon területen

Előny

• ▹Tapasztalat MI-alapú megoldások moduláris, skálázható és karbantartható architektúráinak tervezésében
• ▹Ismeret hibrid vagy föderált MI-üzemeltetésről, vállalati adatok és nagy nyelvi modellek integrálásáról
• ▹Jártasság az MI-munkaterhelések observability és monitorozási gyakorlataiban
• ▹Ismeret a szemantikus keresésről, tudásgráfokról vagy LLM-optimalizálási folyamatokról
• ▹Tapasztalat agilis vagy DevOps környezetben, az adattudomány és a mérnöki munka közötti híd szerepében
• ▹MI, Big Data vagy felhőszámítás területén szerzett mester- vagy PhD-fokozat
• ▹Felhőarchitektúra- és MLOps-tanúsítványok (Azure, AWS vagy GCP)
• ▹Kísérletezési hajlandóság új keretrendszerekkel, érettségük felmérése vállalati bevezetéshez

Soft skillek

Amit kínálunk

• ▹Rugalmas, hibrid-barát kultúra
• ▹Be Well programok a pénzügyi, mentális, fizikai és szociális egészség támogatására
• ▹Személyre szabott fejlődési célok és folyamatos visszajelzés
• ▹Tanulási lehetőségek, köztük Microsoft, Google és Amazon tanúsítványok, coaching és gyakorlati tapasztalatszerzés

A munkáltatóról

A Kyndryl a világ vezető vállalatainak üzletkritikus technológiai rendszereit üzemelteti és újragondolja.