AI Engineer

🚀 Wymagania techniczne 🧰 Technologie i narzędzia • Doświadczenie w pracy z vLLM – wdrażanie, konfiguracja oraz optymalizacja inferencji modeli LLM • Praktyczna znajomość LangChain w zakresie orkiestracji pipeline’ów LLM • Doświadczenie z bazami wektorowymi, w szczególności Milvus (lub alternatywy: FAISS, Weaviate, Pinecone) • Znajomość systemów: Redis (cache, kolejki, przechowywanie stanu) • PostgreSQL (bazy relacyjne) • MinIO (object storage, kompatybilność z S3) 📄 Praca z danymi i dokumentami • Bardzo dobra znajomość strategii chunkowania dokumentów: • dobór rozmiaru chunków • overlap • chunkowanie semantyczne i strukturalne • wpływ chunkowania na jakość wyszukiwania i odpowiedzi LLM • Doświadczenie w budowie i utrzymaniu pipeline’ów RAG (Retrieval-Augmented Generation) 🧠 LLM i jakość odpowiedzi • Praktyczne doświadczenie w prompt engineering: • projektowanie promptów systemowych i użytkownika • few-shot / zero-shot prompting • kontrola stylu, formatu i jakości odpowiedzi • Doświadczenie w optymalizacji systemów wspierających LLM: • poprawa wydajności • zwiększanie jakości i spójności odpowiedzi • redukcja halucynacji • debugowanie błędnych odpowiedzi modeli ⭐ Wymagania dodatkowe (nice to have) • Doświadczenie w pracy z różnymi modelami LLM (open-source i komercyjnymi) • Znajomość zagadnień związanych z: • latency i throughput LLM • batchingiem zapytań • cache’owaniem odpowiedzi • Doświadczenie w pracy w środowiskach chmurowych (AWS / GCP / Azure) • Znajomość Dockera i/lub Kubernetes • Umiejętność pracy z API modeli językowych 🤝 Kompetencje miękkie • Umiejętność analitycznego myślenia i rozwiązywania problemów • Samodzielność w projektowaniu rozwiązań technicznych • Umiejętność pracy zespołowej oraz komunikacji z zespołami produktowymi i biznesowymi 🧭 Proces rekrutacji • Krótka rozmowa z rekruterem • Rozmowa techniczna / omówienie projektu