AI Engineer (43288)

Hľadáte príležitosť podieľať sa na vývoji AI riešení novej generácie? Ako Senior AI Engineer budete vyvíjať a nasadzovať aplikácie využívajúce LLM, Retrieval-Augmented Generation (RAG) a AI agentov. Čaká vás návrh promptov, vývoj backendových služieb, integrácia AI modelov, tvorba dátových pipeline aj spolupráca na optimalizácii výkonu AI systémov. Očakávame skúsenosti s Pythonom, LangGraph, prompt engineeringom, cloudovou infraštruktúrou, Dockerom a modernou API architektúrou.

🚀 Projekt
- návrh, implementácia a optimalizácia promptov pre LLM modely s cieľom dosahovať presné a kontextovo relevantné výstupy
- vývoj a správa stratégií pre správu kontextu vrátane session memory a Retrieval-Augmented Generation (RAG)
- integrácia a podpora fine-tuningu LLM modelov v Python aplikáciách s využitím API a dátových pipeline pre škálovateľné nasadenie
- vývoj, testovanie a údržba konverzačných a agentných workflow pomocou frameworkov ako LangGraph pre multi-agentné a viacstupňové riešenia
- vývoj a údržba backendových služieb, API a prípadne front-end rozhraní pre end-to-end AI aplikácie
- spolupráca s produktovými, dátovými a vývojovými tímami pri zbere požiadaviek, realizácii prompt experimentov a iteratívnom vývoji riešení
- podpora testovacích, monitorovacích a evaluačných pipeline s cieľom zlepšovať efektivitu promptov, správu kontextu a výkon AI systémov
- dodržiavanie a presadzovanie best practices v oblasti softvérového vývoja, kvality kódu, DevOps, testovania a bezpečného a etického vývoja AI riešení
- návrh dátových modelov a dátových pipeline na základe AI use casov so zameraním na kvalitu a integritu dát
- podpora hodnotenia technológií a výberu platforiem so zameraním na škálovateľnosť, výkon a optimalizáciu nákladov

🎯 Skills
- rozsiahle skúsenosti s vývojom fullstack Python aplikácií (FastAPI, Flask; SQL/NoSQL databázy)
- preukázateľné skúsenosti s prompt engineeringom pre LLM modely (OpenAI, Anthropic, open source modely)
- výborné porozumenie context engineeringu vrátane session managementu, vector search a knowledge retrieval
- praktické skúsenosti s integráciou AI agentov a LLM modelov do produkčných prostredí
- praktické skúsenosti s frameworkmi pre agentné a konverzačné workflow (napr. LangGraph)
- znalosť konceptov Retrieval-Augmented Generation (RAG) a orchestrácie multi-agentných riešení
- skúsenosti s cloudovou infraštruktúrou, kontajnerizáciou (Docker) a CI/CD
- silné analytické, komunikačné schopnosti a schopnosť riešiť technické problémy
- znalosť dátových technológií (napr. Spark, Kafka, Databricks, Snowflake) a súvisiacich jazykov (Java, Scala, SQL) pre integráciu dátových pipeline
- skúsenosti s návrhom API (HTTP/REST, GraphQL) a mikroservisnou architektúrou
- skúsenosti s AI nástrojmi podporujúcimi vývoj (napr. Visual Studio, GitHub Copilot, Windsurf, Cursor)
- AJ min. B2

💡 Nice to have
- skúsenosti s fine-tuningom jazykových modelov
- pevné základy v oblasti štatistiky a strojového učenia (pravdepodobnosť, testovanie hypotéz, experimentálny dizajn, bias/variance, regularizácia) a schopnosť prepájať biznis požiadavky s ML riešeniami
- skúsenosti s návrhom, tréningom a validáciou prediktívnych modelov (feature engineering, training, cross-validation, model selection, error analysis) s využitím nástrojov ako scikit-learn, XGBoost, LightGBM alebo CatBoost
- skúsenosti s evaluačnými stratégiami modelov vrátane offline metrík, A/B testovania, guardrails a monitoringu kvality alebo driftu modelov
- skúsenosti s frameworkmi na hodnotenie LLM modelov (automatizované aj human-in-the-loop), meraním kvality generovania, relevance, faktickosti, bezpečnosti a prístupmi ako LLM-as-a-judge
- porozumenie dátovej vede zameranej na RAG vrátane retrieval evaluácie (recall@k, MRR, nDCG), chunkingu, embedding stratégií, query rewritingu, rerankingu a groundingu
- skúsenosti s optimalizáciou promptov a kontextu vrátane prompt A/B testovania a správy promptov
- skúsenosti alebo záujem o adaptačné techniky jazykových modelov (LoRA, QLoRA, DPO, IPO), tvorbu datasetov a anotáciu dát
- znalosť optimalizácie výkonu a nákladov LLM systémov (optimalizácia tokenov, caching, benchmarking, model routing)
- skúsenosti s debugovaním a interpretovateľnosťou GenAI systémov (error analysis, hallucination investigations, attribution)