AI engineer

Stack

Feladatok

• ▹Ágens-képességek építése tervezéshez, eszközhasználathoz, memóriához és kontextuskezeléshez, és élesbe szállításuk
• ▹Ágensek integrálása belső és külső eszközökkel és adatforrásokkal (retrieval rendszerek, strukturált adathalmazok, labor/biomedikai API-k, táblázatok, keresés), robusztus sémákkal és védelmekkel
• ▹Minőség- és kiértékelő rendszerek fejlesztése: unit-, regressziós és forgatókönyv-/benchmark-tesztek, telemetria, automatizált pontozás
• ▹Együttműködés tudósokkal a hibamódok elemzésében és a teljesítmény javításában
• ▹Együttműködés a tudás- és ontológiacsapattal, hogy a kimenetek forrásra visszavezethetők és a provenienciaszabványoknak megfelelők legyenek
• ▹Biztonsági intézkedések, védőkorlátok és homokozóban futtatott végrehajtás kockázatos műveletekhez
• ▹Teljesítmény és megbízhatóság optimalizálása profilozással, idempotenciával, újrapróbálkozásokkal, rate limitinggel és rendelkezésre állás kezelésével
• ▹Adatfolyamok előkészítése felügyelt finomhangoláshoz és megerősítéses tanuláshoz, ha szükséges
• ▹Hozzájárulás az ágensplatformhoz: szolgáltatások, API-k, orkesztráció, CI/CD, observability
• ▹Az első 90 napban például: többeszközös ágens hosszú távú tudományos feladatokra memóriával és önkorrekcióval; automatizált hivatkozás-ellenőrzés forrásellenőrzéssel, frissességvalidálással és proveniencia-megjelenítéssel; kiértékelő dashboard a kompetencia-sikerarányokkal, késleltetéssel és hibamódokkal

Elvárások

• ▹Éles szoftverfejlesztési tapasztalat Pythonban és/vagy TypeScriptben, erős rendszer- és API-tervezési készséggel (FastAPI, gRPC, GraphQL vagy hasonló)
• ▹Bizonyított tapasztalat LLM-alkalmazások vagy ágens-rendszerek szállításában (eszközhasználat/function calling, retrieval/RAG, strukturált kimenetek, kiértékelés, observability)
• ▹Jártasság ágens-/orkesztrációs keretrendszerekben (pl. LangChain, LangGraph, AutoGen, CrewAI, MCP) és vektoradatbázisokban (FAISS, Weaviate, Pinecone)
• ▹Tapasztalat felhőinfrastruktúrával és konténerekkel (AWS, GCP vagy Azure), Docker/Kubernetes/Terraform, CI/CD és éles telemetria
• ▹Kutatási prototípusok robusztus, skálázható rendszerekké alakításának képessége

Előny

• ▹Tapasztalat finomhangolásban és megerősítéses tanulásban (RL, RLAIF, RLHF), jutalomtervezéssel és offline kiértékeléssel
• ▹Ismeret olyan benchmarkokról, mint a SWE-Bench, OS-World vagy tau-bench
• ▹Retrieval- és tudásrendszerek ismerete: séma- és ontológiatervezés, entitásmodellezés, proveniencia-követés
• ▹Háttér az ágens-rendszerek biztonságában (homokozó, izoláció, jogosultságok, auditálhatóság)
• ▹Élettudományi vagy tudományos számítástechnikai tapasztalat, együttműködés szakterületi szakértőkkel

Soft skillek

Amit kínálunk

• ▹Lehetőség az MI és az emberi tudósok együttműködésének alapjait alakítani
• ▹Valós tudományos hatás
• ▹Heti minőségi értékelések tudósokkal
• ▹Jelentkezni akkor is érdemes, ha nem teljesítesz minden pontot

A munkáltatóról

A Bio egy decentralizált tudományos protokoll, amely AI-vezérelt biotechnológiai kutatások indítását és növekedését segíti. A tudósok forrást gyűjthetnek, értéket teremthetnek munkájukból, és azt közvetlenül a közösségüknek oszthatják szét. 2023 óta több mint 50 millió dollárt irányított kutatókhoz.