AI Engineer

Integracja LLM z ekosystemem przedsiębiorstwa – zewnętrzne API i narzędzia, systemy wewnętrzne, bazy danych. Projektowanie i budowa agentów AI – orkiestracja zadań oraz integracje z aplikacjami i/lub bazami danych oparte o reguły i kontekst biznesowy. Implementacja architektury RAG oraz praca z bazami wektorowymi i optymalizacją retrievalu, Propagowanie wiedzy o sztucznej inteligencji, architekturze agentowej wewnątrz organizacji jak i u jej partnerów, Uczestnictwo w planowaniu i projektowaniu modeli architektury AI, Zarządzanie wymaganiami biznesowymi i współpraca z interesariuszami, Definiowanie procesów i procedur zarządzania rozwiązaniami AI uwzględniając dojrzałość organizacji i bezpieczeństwo ich stosowania Optymalizacja jakości i kosztu rozwiązań agentowych – tuning promptów, zarządzanie kontekstem, ewaluacje i testy, obserwowalność (telemetria), kontrola kosztów i opóźnień.

Data & Model Engineering tam, gdzie potrzebne – trenowanie/testy modeli ML, fine‑tuning i integracja modeli do systemów korporacyjnych (on‑prem i/lub chmura). Bezpieczeństwo i zgodność – projektowanie rozwiązań „secure‑by‑design”, spełnienie wymogów branżowych i regulacyjnych (finanse), gotowość audytowa, kontrola uprawnień i ścieżek dostępu. Skalowanie udanych prototypów do usług IT Dzielenie się wiedzą i prowadzenie warsztatów powdrożeniowych, Realizacja innych powierzonych zadań w ramach Centrum Kompetencyjnego ds.

Danych i AI Umiejętności Doświadczenie w budowie rozwiązań AI (min. 1 rok), z realną odpowiedzialnością za końcowy efekt. Biegłość w Pythonie, praktyka w ekosystemie agentowym – LangChain (lub pokrewne), projektowanie workflow agentów oraz integracja LLM z systemami. RAG – umiejętność doboru strategii retrievalu, modelowania pamięci i projektowania kontekstu pod wymagania domenowe, MCP.

Znajomość podstaw ML/DL i NLP (mile widziane doświadczenia: forecasting, klasyfikacja, detekcja anomalii, generacja tekstu; PyTorch/TensorFlow jako atut). Integracje i API – projektowanie i konsumpcja API, łączenie usług, praca z danymi transakcyjnymi i podstawowymi; znajomość baz relacyjnych (np. PostgreSQL). Środowiska chmurowe i konteneryzacja – praktyczna praca z Azure/GCP, Kubernetes oraz repozytoriami i pipeline’ami (GitHub/GitLab) oraz narzędzi projektowych Jira/Confluence.

Orientacja na bezpieczeństwo i zgodność – rozumienie wymogów instytucji finansowych (m.in. praca z danymi wrażliwymi, kontrola dostępu, ścieżka audytowa). Znajomość oprogramowania służącego do modelowania i zarządzania repozytorium architektonicznym Sparx Enterprise Architect Wykształcenie wyższe preferowane informatyczne lub ekonomiczne. Bardzo dobra znajomość języka angielskiego. #J-18808-Ljbffr