Испания · Великобритания · Румыния · Гибридный формат · Staff

Мадрид / Барселона / Лондон / Бухарест

Вы присоединитесь к AI Lab, команде, миссия которой — проверять ценные новые технологии в области ИИ и автоматизации и снижать риски их внедрения в dLocal. Это редкая возможность работать на передовой прикладного ИИ в финтехе: проводить строгие эксперименты с новейшими моделями и инструментами, а также превращать результаты в решения, которые определяют, как глобальная платежная компания будет использовать ИИ.

Это роль старшего специалиста-индивидуального исполнителя. Она не требует прямого управления людьми, но несет значительное техническое влияние в рамках Lab и в командах, которые используют ее результаты.

Как Staff AI Engineer в AI Lab, вы будете отвечать за поиск технологий, прототипирование и их оценку для dLocal. Вы будете проводить инструментальные исследования (spikes) и бенчмаркинг новых ИИ-технологий, предоставлять четкие рекомендации заинтересованным сторонам из отделов инжиниринга, бизнеса, юриспруденции и IT на основе ваших прототипов, а также координировать передачу проверенных технологий командам, отвечающим за их внедрение в продакшен.

Для перспективных технологий вы будете помогать определять шаблоны, защитные механизмы и технические требования, необходимые для их внедрения, и координировать передачу их командам инженеров, ответственным за их вывод в продакшен.

Что я буду делать?

Поиск и оценка технологий

• Проводить краткие инструментальные исследования (spikes) и бенчмаркинг новых моделей, инструментов и фреймворков: LLM, агентные системы, векторные базы данных, фреймворки оркестрации, copilots, ассистенты и многое другое.
• Сравнивать варианты от поставщиков и open-source решения, документируя компромиссы по качеству, стоимости, задержке, безопасности и сложности интеграции.
• Предоставлять краткие меморандумы с четкими рекомендациями: внедрять, наблюдать или избегать.

Системы для оценки и песочницы

• Разрабатывать и поддерживать среды оценки (например, наборы данных, промпты, сценарии, телеметрию) для тестирования моделей в реалистичных условиях.
• Создавать автоматизацию и инструменты для измерения качества, надежности, задержки и стоимости, включая отслеживание регрессий с течением времени.
• Обеспечивать, чтобы каждая оцененная технология имела покрытие бенчмарками и документированное представление о рисках и ограничениях.

Прототипирование и техническая валидация

• Создавать достаточно функциональные системы, чтобы понять, как технология ведет себя в реальных условиях, а не только в демонстрациях поставщиков или изолированных примерах.
• Исследовать архитектуру, шаблоны интеграции, операционные ограничения, границы безопасности и сценарии сбоев с помощью рабочих прототипов.
• Определять, что должно быть выполнено, чтобы прототип стал жизнеспособной производственной возможностью.
• Отдавать предпочтение сфокусированным прототипам, которые отвечают на конкретные технические вопросы, перед преждевременным созданием производственных систем.

Рекомендации, готовность к внедрению и передача

• Преобразовывать технические выводы в понятные меморандумы для принятия решений как для технических, так и для нетехнических заинтересованных сторон.
• Для проверенных технологий предоставлять рекомендации по готовности, охватывающие рекомендуемые шаблоны, защитные механизмы, известные ограничения, операционные аспекты и требования к интеграции.
• Координировать передачу командам инженеров, ответственным за вывод в продакшен.
• Поддерживать эти команды во время перехода, когда требуется глубокий контекст из оценки, не становясь постоянным владельцем полученной системы.
• Отслеживать, что происходит после рекомендаций Lab, и использовать эти результаты для улучшения будущих методов оценки.

Управление, риски и стандарты

• Работать с отделами безопасности, юриспруденции, комплаенса и другими командами ИИ для документирования оценок рисков, мер по их снижению и рекомендаций по управлению для каждой оцененной технологии.
• Поддерживать контрольные списки, шаблоны принятия решений и легкие стандарты, пригодные для многократного использования в различных оценках и командами-партнерами.
• Интегрировать опыт использования сторонних ИИ-инструментов, таких как внешние copilots и AWS AI suite, в руководства по внедрению.

Сотрудничество, наставничество и сообщество

• Сотрудничать с другими командами ИИ и доменными командами для обеспечения четких границ и гладкого взаимодействия.
• Участвовать в найме в качестве технического оценщика и защитника культуры.
• Наставлять инженеров в Lab и смежных командах по методам оценки, бенчмаркингу и экспериментальному дизайну.
• Делиться знаниями через внутренние публикации, технические доклады и периодические внешние встречи и конференции.

Какие навыки мне нужны?

Техническая глубина

• 8+ лет опыта в разработке программного обеспечения, включая значительный опыт работы на уровне Senior или Staff.
• Глубокий практический опыт создания и оценки систем на основе LLM и современных ИИ-инструментов.
• Прочные фундаментальные знания в области разработки программного обеспечения и способность быстро создавать высококачественные экспериментальные системы.
• Опыт создания агентных или многошаговых ИИ-систем, включающих использование инструментов, оркестрацию, управление состоянием, поиск информации или внешние интеграции.
• Глубокое знание облачной инфраструктуры, предпочтительно AWS, и способность безопасно и экономично выполнять экспериментальные нагрузки.
• Опыт в области наблюдаемости (observability), телеметрии, тестирования и бенчмаркинга сложных систем.
• Способность рассуждать об архитектуре систем, надежности, масштабируемости, асинхронных рабочих процессах и распределенных компонентах, где это применимо.
• Подтвержденный опыт проектирования экспериментов или бенчмарков, которые повлияли на важные технические решения.

Бенчмаркинг и оценка

• Подтвержденный опыт проектирования и проведения бенчмарков, сравнивающих модели и инструменты ИИ в реальных условиях.
• Опыт построения наборов данных для оценки: выбор задач, разметка, дисциплина отбора тестовых данных и поддержание актуальности наборов данных по мере совершенствования моделей.
• Рабочее знание методов LLM-as-judge и их недостатков, а также методов человеческой оценки, согласия между аннотаторами и понимание того, когда каждый метод уместен.
• Способность рассуждать о статистической значимости на малых выборках и честно оценивать уверенность, а не делать поспешные выводы из результата.
• Знакомство с отслеживанием регрессий, телеметрией и версионированием, чтобы результат оставался воспроизводимым спустя месяцы.

Принятие решений

• Способность превращать неоднозначные идеи "нам стоит попробовать эту новую вещь" в хорошо спланированные планы оценки с четкими гипотезами и метриками.
• Уверенность в принятии решений по компромиссам между качеством, задержкой, стоимостью и зависимостью от поставщика, и их четком документировании.
• Опыт написания кратких, аргументированных меморандумов, которые помогают другим двигаться быстрее.

Сотрудничество и коммуникация

• Способность объяснять технические результаты неспециалистам в конкретной, лаконичной форме.
• Опыт работы с командами платформы, продукта и операций для согласования оценок с реальными сценариями использования.
• Способность влиять без полномочий, согласовывая работу команд на основе общих стандартов и защитных механизмов.

Майндсет

• Любознательность и склонность к экспериментам, в сочетании с дисциплинированным измерением и осведомленностью о рисках.
• Комфорт в небольшой, высокоэффективной команде без выделенных менеджеров по продукту. Вы сами структурируете свою работу и информируете заинтересованные стороны.
• Исполнительский подход: вы предпочитаете многоразовые инструменты, шаблоны и руководства, а не разовую работу.