Lead AI Engineer (43293)

Máte zkušenosti s Pythonem, LLM modely a chcete navrhovat AI řešení, která mají reálný dopad? Hledám Lead AI Engineera, který bude vyvíjet konverzační a agentní aplikace, implementovat RAG architektury, navrhovat datové pipeline a optimalizovat práci s kontextem. Čeká Vás práce s FastAPI, LangGraph, Dockerem, cloudovými technologiemi i moderními AI nástroji, jako jsou OpenAI, Anthropic nebo open-source modely. Pokud Vás láká prostředí plné inovací a moderních technologií, ozvěte se mi.

🚀 Project
- návrh, optimalizace a vyhodnocování promptů pro LLM modely s cílem zajistit přesné a kontextově relevantní výstupy
- návrh a implementace pokročilých strategií správy kontextu, včetně session memory, Retrieval-Augmented Generation (RAG) a personalizace uživatelů
- integrace, orchestrace a optimalizace LLM modelů v Python aplikacích s využitím API a vlastních datových pipeline
- návrh a vývoj komplexních konverzačních a agentních workflow s využitím frameworků, jako je LangGraph
- vývoj a údržba backendových služeb, API a případně frontendových komponent pro end-to-end AI aplikace
- spolupráce s produktovými, datovými a vývojovými týmy při definici požadavků, experimentování s prompty a iterativním vývoji řešení
- návrh a implementace testovacích, monitorovacích a evaluačních procesů pro průběžné zlepšování AI agentů a LLM řešení
- prosazování best practices v oblasti vývoje softwaru, testování, DevOps a bezpečného i etického využití AI
- návrh datových modelů a datových pipeline podporujících AI use casy se zaměřením na kvalitu a integritu dat
- hodnocení a výběr vhodných technologií pro cloudová i on-premise řešení se zaměřením na škálovatelnost, výkon a optimalizaci nákladů

🎯 Skills
- pokročilá zkušenost s fullstack vývojem v Pythonu (FastAPI, Flask, SQL/NoSQL databáze)
- prokazatelná zkušenost s prompt engineeringem pro LLM modely (OpenAI, Anthropic, open-source LLM)
- dobrá znalost context engineeringu, včetně session managementu, vector search a knowledge retrieval
- praktická zkušenost s integrací AI agentů a LLM do produkčního prostředí
- zkušenost s agentními a konverzačními frameworky (např. LangGraph)
- znalost konceptů Retrieval-Augmented Generation (RAG) a multi-agent orchestrace
- zkušenost s cloudovou infrastrukturou, kontejnerizací (Docker) a CI/CD
- silné analytické, komunikační a problem-solving schopnosti
- zkušenost s technologiemi pro datové inženýrství (např. Spark, Kafka, Databricks, Snowflake) a souvisejícími jazyky (Java, Scala, SQL) pro integraci datových pipeline
- zkušenost s vývojem API (HTTP/REST, GraphQL) a mikroservisní architekturou
- praktická zkušenost s AI nástroji pro vývoj (Visual Studio, GitHub Copilot, Windsurf, Cursor)

💡 Nice to have
- zkušenost s fine-tuningem jazykových modelů
- dobrá znalost statistiky a strojového učení (pravděpodobnost, testování hypotéz, návrh experimentů, bias/variance, regularizace) a schopnost převádět business požadavky do měřitelných ML cílů
- zkušenost s end-to-end vývojem a validací prediktivních modelů (feature engineering, trénování, cross-validace, výběr modelů, analýza chyb) s využitím nástrojů jako scikit-learn, XGBoost, LightGBM nebo CatBoost
- zkušenost s návrhem strategií hodnocení modelů, včetně offline metrik, A/B testování, guardrails a monitoringu kvality či model driftu
- zkušenost s frameworky pro hodnocení LLM (automatizované i human-in-the-loop), měřením kvality generovaného obsahu (úspěšnost, relevance, faktická správnost, bezpečnost) a přístupy jako LLM-as-a-Judge
- znalost datové vědy zaměřené na RAG (Retrieval-Augmented Generation), včetně metrik retrievalu (Recall@K, MRR, nDCG), optimalizace chunkingu, embeddingů, přepisování dotazů, rerankingu a groundingu
- zkušenost s optimalizací promptů a správy kontextu, včetně prompt A/B testování a prompt managementu
- zkušenost nebo zájem o fine-tuning a adaptační techniky (LoRA, QLoRA, DPO, IPO), tvorbu datasetů a anotaci dat
- znalost monitoringu výkonu a nákladů LLM systémů (optimalizace tokenů, caching, benchmarking, model routing)
- zkušenost s debuggingem a interpretovatelností GenAI systémů, včetně analýzy chyb, vyšetřování halucinací a atribuce výsledků