Staff alkalmazott AI mérnök

Stack

Feladatok

• ▹Több AI-alapú termékfunkció építése és szállítása ágens-munkafolyamatok, költési intelligencia és automatizált műveletek területén, a szállítási mérce meghatározása a Pleónál
• ▹Mély alkalmazott AI-szakértelem és megfontolt ítélőképesség a kompromisszumokban (minőség vs. késleltetés/költség, saját fejlesztés vs. vásárlás, ágensminták vs. egyszerűbb megoldások), a csapatok megóvása a hype-vezérelt döntésektől
• ▹Közvetlen együttműködés a termék-, design-, mérnök- és üzleti érintettekkel abban, hogy mit érdemes valóban megépíteni; a termék felfedezése és definiálása, nem csupán specifikációk megvalósítása
• ▹Az AI-funkciók kiértékelésének, monitorozásának és üzemeltetésének birtoklása: evalok felállítása, drift és teljesítmény követése, promptváltozások biztonságos kezelése produkcióban
• ▹Design partneri szerep a GenAI Core platformcsapat mellett: döntések megkérdőjelezése valós szállítási tapasztalatokból származó bizonyítékokkal, világos követelmények, platformdöntések validálása produkcióban
• ▹Gyakorlatias sztenderdek kialakítása és betartatása az AI-funkciók szállítására a termékcsapatokban (kiértékelési stratégia, monitorozási elvárások, biztonságos prompt- és verziókezelés, adatvédelmi és biztonsági korlátok)
• ▹A csapat fejlesztése mentorálással, code review-kkal, páros programozással és könnyen használható playbookokkal

Elvárások

• ▹Bizonyított tapasztalat több GenAI-funkció nagy léptékű, ügyfeleknek szánt termékbe történő éles szállításában, ideális esetben többlépéses, eszközhasználó ágensekkel
• ▹Összetett üzleti kihívások és termékvíziók skálázható AI-megoldásokká alakítása: önálló scope-olás, tervezés és építés
• ▹Mély alkalmazott AI-ítélőképesség a kiértékelésről, a visszakeresés minőségéről, az eszközhasználatról, a hibamódokról és arról, mit érdemes megépíteni
• ▹Tapasztalat kiértékelés és megfigyelhetőség alkalmazásában LLM-rendszereknél (tesztek, golden setek, online metrikák, monitorozás), és e jelek alapján történő iterálásban
• ▹Az LLM-alkalmazások adatvédelmi és biztonsági kockázatainak alapos ismerete: prompt injection, PII-kezelés, adatszivárgási kockázat
• ▹Stabil tapasztalat a modern AI-stackkel: vektoradatbázisok, orkesztrációs és tartós végrehajtási keretrendszerek, LLM API-k
• ▹Tapasztalat API-k, szolgáltatások és adat-visszakeresési folyamatok (RAG, vektoros keresés) építésében LLM-ek adatokkal való ellátásához
• ▹Mély Python-jártasság adat- és ML-mérnöki feladatokhoz, valamint SQL- és felhőszolgáltatói (major cloud) tapasztalat
• ▹Kiterjedt háttér hagyományos ML-mérnökségben és megbízható, skálázható produkciós adatrendszerek tervezésében
• ▹Keresztfunkcionális befolyásolási képesség a termék-, design- és mérnökcsapatokkal

Előny

• ▹Tapasztalat a Pleo stackjével: adatoldalon GCP, BigQuery, Airflow, Python és SQL; termékoldalon AWS, Kotlin, JavaScript, TypeScript; Kubernetes-alapú infrastruktúra

Soft skillek

Amit kínálunk

• ▹Saját Pleo-kártya (nincs többé saját zsebből előlegezett költés)
• ▹Ebéd a munkanapokon: helyi irodától függően catering vagy ebédhozzájárulás
• ▹Átfogó magán-egészségbiztosítás (helyszíntől függően Vitality, Alan vagy Médis)
• ▹25 nap szabadság a munkaszüneti napokon felül
• ▹Hibrid és teljesen távoli munkavégzési lehetőség
• ▹Ingyenes mentális egészség- és jóllét-támogatás a MyndUp révén
• ▹Fizetett szülői szabadság

A munkáltatóról

A Pleo olyan költségkezelési megoldásokat épít, amelyek a pénzügyi csapatok és a munkavállalók számára egyaránt gördülékennyé teszik a vállalati pénzkezelést. Tízéves története alatt több mint 40 000 ügyfélre nőtt, csapatában 850+ munkatárs dolgozik több mint 100 nemzetiségből.