AI engineer

Stack

Feladatok

• ▹AI-ügynökök építése, iterálása és karbantartása a vezető AI engineer által meghatározott architektúrán belül; a saját ügynökök teljes körű gondozása (prompttervezés, eszközök bekötése, kontextus-útválasztás, hibakezelés, kimenet-validálás)
• ▹Médiaplatformok adatainak integrálása: betöltés, sémához igazítás, a megfelelő ügynök-kontextusba irányítás, a sémaeltérések jelzése még futásidejű hiba előtt
• ▹Kiértékelés-központú fejlesztés: sikerkritériumok és regressziós tesztek minden funkcióhoz, prompt-benchmarkolás, a kimenetminőség követése modellverziók között, hallucinációs minták és minőségromlás jelzése
• ▹ETL/ELT folyamatok építése és karbantartása a napi automatizált jelzésekhez és a heti optimalizálási riportokhoz, az adatfrissesség és a pipeline megbízhatóságának gondozása
• ▹Az MCP-összekötő könyvtár használata és bővítése külső platform API-khoz, rate limitek, újrapróbálkozások és hibamódok kezelésével
• ▹Slack-alapú jóváhagyási folyamatok építése és karbantartása: ügynöki jelzések, visszajelzések, kivételriasztások
• ▹Az ügynökök éles megbízhatóságának biztosítása: kimenetminőség monitorozása, incidensek kezelése, kiváltó ok javítása, korai jelzés a vezető AI engineernek a szállítást érintő kockázatokról

Elvárások

• ▹Legalább 4 év szoftver-, adatmérnöki, ML- vagy AI-platform munka, éles rendszerek közvetlen felelősségével
• ▹Tapasztalat médiaplatform API-kkal (Google Ads, Meta, DV360, Semrush, SerpAPI)
• ▹Erős, éles szintű Python és SQL
• ▹MCP vagy azzal egyenértékű integrációs réteg tapasztalata
• ▹Gyakorlati tapasztalat LLM-alkalmazások, ügynökalapú rendszerek vagy tool-calling munkafolyamatok építésében vagy üzemeltetésében
• ▹Munkafolyamat-vezérlő eszközök: Airflow, Dagster, Prefect, dbt
• ▹ETL/ELT pipeline-tervezés és adatmegbízhatóság éles környezetben: sémakezelés, szerződés-betartatás, frissességmonitorozás
• ▹Felhőinfrastruktúra (AWS, GCP vagy Azure) és konténerizált telepítések (Docker)
• ▹Kiértékelési keretrendszerek és sikerkritériumok meghatározásának tapasztalata modellkimenetekhez
• ▹Slack API és webhook-alapú munkafolyamat-automatizálás
• ▹Vektoradatbázisok és RAG-minták ismerete hosszú kontextusú adatlekérdezéshez
• ▹Modellelvű logikát, determinisztikus üzleti szabályokat és emberi jóváhagyási folyamatokat vegyítő rendszerek szállításának tapasztalata
• ▹LLM-kiértékelő eszközök: tokenköltség-követés, hallucinációdetektálás, modell-benchmarkolás

Soft skillek

A munkáltatóról

A Delve Deeper a jótékonysági és nonprofit szektorra szakosodott teljesítménymédia-ügynökség, amely évi 5–20 millió dollárt médiára költő szervezetekkel dolgozik. Fejlett analitikával, szándékalapú közönségszegmentálással és teljes körű médiamenedzsmenttel segíti ügyfeleit.