Senior AI Engineer
⚲ Warszawa
Do uzgodnienia
Wymagania
- minimum 5 lat doświadczenia w roli technicznej (Software Developer, DevOps Engineer, QA/Test Automation Engineer lub podobnej)
- praktyczne doświadczenie w zespołach wytwarzających oprogramowanie i znajomość pełnego cyklu SDLC
- doświadczenie w wykorzystywaniu narzędzi AI w procesie software developmentu (GitHub Copilot, Claude Code, Cursor, Codex, M365 Copilot lub modele open-source)
- praktyczna znajomość budowania AI Agents, AI Workflows, skills i promptów
- doświadczenie w integracji rozwiązań AI z repozytoriami, CI/CD, code review i testami
- znajomość Spec-Driven Development oraz nowoczesnych praktyk software engineering wspieranych przez AI
- doświadczenie w produkcyjnym wdrażaniu rozwiązań AI (konfiguracja, integracja, hardening, monitoring) oraz w optymalizacji kosztów wykorzystania modeli
- bardzo dobre umiejętności komunikacyjne i konsultacyjne oraz doświadczenie w transferze wiedzy (pair/mob programming, wspólne code review)
Opis stanowiska
Ness Solution szuka Senior AI Engineera, który wesprze wewnętrzne zespoły IT w praktycznym wykorzystaniu GenAI i agentów w procesie wytwarzania oprogramowania (Agentic SDLC). Rola łączy software engineering z kompetencjami GenAI: projektujesz workflowy, agentów i prompty, integrujesz je z repozytoriami, CI/CD i code review, a potem wdrażasz produkcyjnie i uczysz zespoły developerskie, jak z nich korzystać. To dobra oferta dla kogoś, kto ma solidne zaplecze inżynierskie i lubi pracę warsztatową, pair/mob programming oraz transfer wiedzy, a nie tylko tworzenie modeli w izolacji.
🔍 Dekoder Ogłoszenia
🟡
wesprze zespoły IT w praktycznym wykorzystaniu sztucznej inteligencji w procesie wytwarzania oprogramowania
Oznacza to, że głównym celem będzie integracja narzędzi AI z istniejącymi procesami deweloperskimi, a niekoniecznie tworzenie od podstaw przełomowych rozwiązań AI.
🟡
Osoba na tym stanowisku będzie łączyć doświadczenie software engineeringowe z kompetencjami w obszarze GenAI, AI Agents i Agentic SDLC.
Wymaga to nie tylko znajomości AI, ale przede wszystkim umiejętności zastosowania jej w kontekście inżynierii oprogramowania, co może oznaczać bardziej praktyczne, niż teoretyczne podejście do AI.
🟡
bezpośrednią współpracę z zespołami developerskimi – od discovery i projektowania workflowów, przez integrację z istniejącym środowiskiem, aż po wdrożenie produkcyjne i transfer wiedzy.
Może to oznaczać, że będziesz musiał tłumaczyć złożone koncepcje AI na język zrozumiały dla programistów i wdrażać rozwiązania, które niekoniecznie będą innowacyjne, ale funkcjonalne.
🟡
projektowanie i rozwój praktyk Agentic SDLC dopasowanych do różnych ról – Developer, QA, Analityk, DevOps
Wymaga to zrozumienia potrzeb różnych ról w zespole i dostosowania rozwiązań AI do ich specyfiki, co może być wyzwaniem w zakresie komunikacji i zarządzania oczekiwaniami.
🟡
produkcyjne wdrażanie rozwiązań AI, w tym ich konfiguracja, integracja, hardening i monitoring
Oznacza to odpowiedzialność za stabilność i bezpieczeństwo wdrożonych rozwiązań AI w środowisku produkcyjnym, co wykracza poza samo tworzenie modeli.