Senior Data Scientist

Nasze wymagania:
Minimum 6 lat doświadczenia w Data Science / AI Engineering.
Minimum 4 lata komercyjnego doświadczenia z Pythonem, w tym tworzeniem kodu produkcyjnego.
Minimum 2 lata doświadczenia z produkcyjnymi rozwiązaniami opartymi o LLM.
Praktyczne doświadczenie z RAG i budowaniem produkcyjnych pipeline'ów.
Bardzo dobra znajomość LLM, Generative AI, chatbotów oraz AI Agents.
Doświadczenie z LangChain, LangGraph, LlamaIndex lub podobnymi frameworkami.
Praktyczne doświadczenie z MCP (Model Context Protocol) – MCP servers / clients.
Znajomość LLM evaluation, evaluators, validators oraz guardrails.
Bardzo dobra znajomość Python i doświadczenie w tworzeniu skalowalnego, testowalnego kodu produkcyjnego.
Dobre zrozumienie Machine Learning / AI, algorytmów, cyklu życia modeli oraz architektury rozwiązań AI.
Doświadczenie z rozwiązaniami chmurowymi – preferowany Azure, ale akceptowane są również AWS lub GCP.
Znajomość CI/CD, testowania oraz konteneryzacji.
Bardzo dobra znajomość języka angielskiego.
Samodzielność, umiejętność analitycznego myślenia i rozwiązywania złożonych problemów.
Umiejętność współpracy z zespołami technicznymi i biznesowymi.

O projekcie:
W ramach projektu będziesz pracować nad zaawansowanymi rozwiązaniami opartymi o Large Language Models, w tym chatbotami, systemami RAG oraz rozwiązaniami wykorzystującymi AI Agents.
Rola łączy kompetencje z obszaru Data Science, AI Engineering, Software Engineering oraz GenAI. Duży nacisk położony jest na jakość, bezpieczeństwo, skalowalność i gotowość rozwiązań do działania w środowisku produkcyjnym.

Zakres obowiązków:
Projektowanie architektury rozwiązań GenAI na podstawie potrzeb biznesowych i technicznych.
Dobór odpowiednich modeli LLM oraz podejścia – m.in. RAG, fine-tuning, agents czy prompt engineering.
Budowanie aplikacji GenAI end-to-end – od ingestii danych, przez retrieval i orchestration, po backend, API i prosty interfejs użytkownika.
Projektowanie i rozwój zaawansowanych pipeline'ów RAG, obejmujących m.in. vector databases, hybrid search, reranking oraz query transformation.
Praca z frameworkami takimi jak LangChain, LangGraph, LlamaIndex lub podobnymi.
Projektowanie i rozwój AI Agents oraz rozwiązań agentic AI.
Implementacja i wykorzystanie MCP (Model Context Protocol) – zarówno po stronie serwerów, jak i klientów.
Dobór modeli, prompt engineering oraz fine-tuning z wykorzystaniem m.in. LoRA, QLoRA czy SFT.
Tworzenie mechanizmów oceny jakości modeli i aplikacji LLM, w tym LLM evaluators, validators, A/B testing oraz evaluation frameworks.
Implementacja mechanizmów guardrails, safety, PII handling, audit logs oraz human-in-the-loop.
Budowanie produkcyjnego kodu w Pythonie z wykorzystaniem dobrych praktyk dotyczących testowania, packagingu i jakości kodu.
Współpraca z Data Engineers, Data Scientists, Software Engineers oraz Product Ownerami.
Udział w projektowaniu skalowalnych architektur, integracji enterprise oraz rozwiązań spełniających wymagania dotyczące wydajności i SLA.
Analiza wymagań technicznych, estymowanie prac oraz prowadzenie discovery.
Tworzenie PoC i eksperymentowanie z nowymi rozwiązaniami z obszaru GenAI.
Tworzenie reusable components, bibliotek i wewnętrznych template'ów.