AI builder (egészségügyi ügyfélprojektek)

Stack

Feladatok

• ▹Közvetlen egyeztetés üzleti érintettekkel, vezetőkkel, klinikai vezetőkkel és működési felelősökkel a homályos, nagy értékű problémák felszínre hozásához és megvalósítható AI-lehetőségekké alakításához
• ▹Éles kérdések feltevése, feltevések megkérdőjelezése, a minimális életképes AI-megoldás meghatározása még az első kódsor előtt
• ▹A meglévő folyamatok végponttól végpontig történő feltérképezése, annak azonosítása, hol szüntetheti meg az AI a súrlódást, csökkentheti a költséget vagy gyorsíthatja a döntéseket, és az eredmények közlése üzleti nyelven
• ▹Könnyű scoping-dokumentumok és ROI-becslések készítése, amelyek a fejlesztés előtt összehangolják az érintetteket és tiszta sikerkritériumokat adnak
• ▹Működő AI-prototípusok tervezése és építése napok alatt Claude-dal és a modern AI-fejlesztői stackkel
• ▹Fullstack AI-alkalmazások fejlesztése: LLM-orkesztráció, retrieval-augmented generation (RAG), ágens-alapú munkafolyamatok, REST API-integrációk és könnyű frontend-felületek
• ▹A műszaki architektúra végponttól végpontig történő birtoklása a prompt-tervezéstől az adat-pipeline-on át a felhasználói felületig, minden tervezési döntés megmagyarázása mérnökök és üzleti közönség számára
• ▹Iterálás valós felhasználói visszajelzések alapján: korai szállítás, gyors tanulás, az éles minőség felé haladás tudatosan és gyorsan
• ▹A Claude használata alapvető fejlesztési gyorsítóként kódgeneráláshoz, teszteléshez, dokumentációhoz és megoldástervezéshez
• ▹Együttműködés a Brillio AI Governance csapatával a prototípusok validálására, megerősítésére és éles, vállalati szintű rendszerekké fejlesztésére
• ▹A felelős AI elveinek alkalmazása minden fejlesztésnél: torzításvizsgálat, magyarázhatóság, HIPAA-megfelelés, audit-naplózás és modellmonitorozás
• ▹A megoldások világos és teljes dokumentálása, hogy szélesebb mérnökcsapatok újramunka nélkül átvehessék, skálázhassák és karbantarthassák őket
• ▹Hozzájárulás a Brillio újrahasználható AI-gyorsító könyvtárához: az ügyfélspecifikus megoldások átalakítása projektek között bevethető mintákká
• ▹Részvétel az ügyfelek összes üzleti ritmus-megbeszélésén (sprint review-k, programirányító bizottságok, vezetői státuszfrissítések)
• ▹Haladás bemutatása élő demókkal és működő szoftverrel, nem csak diákkal; műszaki fogalmak világos közlése nem technikai üzleti vezetőknek
• ▹Akadályok, függőségek és kockázatok korai jelzése, megoldásközpontú keretezéssel
• ▹Mély szakértelem kialakítása az ügyfél üzletéről, munkafolyamatairól, adatairól, versenynyomásáról és szabályozói környezetéről; az egészségügyi működés olyan mély megértése, hogy saját problémahipotéziseket tudj felállítani
• ▹Olyan kapcsolatok építése az üzleti partnerekkel, amelyek túlmutatnak a projektszállításon, és bizalmi tanácsadóvá válás abban, mit tud és mit nem tud az AI az adott környezetben; tudásmegosztás a Brillio alkalmazott AI-közösségében

Elvárások

• ▹Legalább 8 év egészségügyi iparági tapasztalat: közvetlen, gyakorlati tapasztalat az egészségbiztosítási működésben (kockázatelbírálás, kárrendezés, igénybevétel-kezelés, termékbevezetés) vagy egészségügyi rendszerek klinikai és működési munkafolyamataiban; nem csak közeli vagy megfigyelői szinten
• ▹Jártasság a Claude (Anthropic) fejlesztőeszközként való használatában: igazolt Claude API-használat, beleértve a prompt engineeringet, a tool use-t és az ágens-mintákat valódi alkalmazások építéséhez; a Claude chatfelületként való használata nem számít, építeni kell vele
• ▹Fullstack AI-mérnöki képesség: végponttól végpontig működő AI-alkalmazások önálló építése és szállítása; LLM-integráció, RAG, ágens-orkesztráció, REST API-fejlesztés és könnyű frontend-felületek, amelyek elegendők egy működő demó ügyfél elé vitelére
• ▹Igazolt képesség gyors prototípus-készítésre: bizonyítottan napok alatt jut el az üzleti beszélgetéstől a működő AI-prototípusig, nem sprintek vagy negyedévek alatt; képes példákat mutatni arra, mit épített, milyen gyorsan és milyen problémát oldott meg
• ▹Üzleti megfogalmazás és érintetti kommunikáció: képes egészségügyi vezetőknek világosan, magabiztosan és szakzsargon nélkül elmagyarázni, mit épített, miért fontos, mennyibe kerül és mi a következő lépés; ügyfélnél beágyazott szerepben ez nem alku tárgya
• ▹Vezetői szintű érettség: önállóan részt vesz irányító bizottságokon, vezetői tájékoztatókon és üzleti ritmus-megbeszéléseken, kezeli az ellenvetéseket, és az üzleti vezetőket érdeklő módon mutatja be a haladást
• ▹Képesség homályos problémák strukturálására: egy üzleti vezető kérésére („csökkentsük a kockázatot a kockázatelbírálási folyamatban”) a laptop megnyitása előtt scoped AI-lehetőséget formál világos bemenetekkel, kimenetekkel és sikerkritériumokkal
• ▹Kvantitatív ROI- és hatásmérési készség: egyszerű, de hiteles üzleti esetek építése a megtakarított idő, a csökkentett költség vagy a védett bevétel becslésére, az AI-kimenetek pénzügyi nyelvre fordítása pénzügyi és működési vezetők számára

Előny

• ▹Tapasztalat ágens-alapú AI-keretrendszerekkel: gyakorlati LangChain, LangGraph, CrewAI, AutoGen vagy hasonló orkesztrációs keretrendszer használata többlépéses, eszközhívó AI-ágensek építésére valós munkafolyamatokban
• ▹Egészségügyi adatszabványok és szabályozói környezet: gyakorlati ismeret a HL7, FHIR, ICD-10, CPT és a kárigény-adatszerkezetek terén; a HIPAA, a CMS-szabályozás és az FDA digitális egészségügyi irányelveinek ismerete az AI-rendszerek tervezése és bevezetése szempontjából
• ▹Korábbi forward-deployed, beágyazott vagy startup mérnöki tapasztalat: ügyfélszervezeten belüli munka, tanácsadói vagy beágyazott szállítási modell, vagy startupban a teljes stack birtoklása korlátozott támogatással
• ▹Tapasztalat AI éles bevezetésében egészségbiztosítási technológiai cégnél vagy egészségügyi rendszerben, ahol a megfelelőség, az audit-nyomvonalak, a magyarázhatóság és az adatirányítás nem opcionális
• ▹Tapasztalat újrahasználható AI-platformokhoz vagy gyorsítókhoz való hozzájárulásban: olyan komponensek, minták vagy keretrendszerek építése, amelyeket mások átvehetnek
• ▹Az AI-irányítás és a felelős AI gyakorlatának ismerete vállalati környezetben: modellkockázat-kezelés, torzításértékelés, audit-naplózás, vállalati AI governance keretrendszerek, és együttműködés irányítási vagy megfelelőségi csapatokkal az AI-rendszerek éles jóváhagyásához

Soft skillek

A munkáltatóról

A Brillio gyorsan növekvő digitális technológiai szolgáltató, AI-first vállalat, amelyet a Bain Capital és az Orogen Group támogat. Nagyvállalati ügyfeleknek segít az AI-vezérelt átalakításban, különösen a pénzügyi szolgáltatások, az egészségügy, a fogyasztói, a távközlési és a technológiai szektorban.