Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
CI&T
Бразилия3 месяца назад
Формат работы
Удалённо
Уровень английского
C1, продвинутый
Письмо на почту или сообщение рекрутеру в Telegram
В CI&T мы помогаем крупным предприятиям превращать потенциал ИИ в реальное влияние на бизнес с помощью внедрения ИИ, нативной для ИИ разработки и интегрированных с технологиями бизнес-решений. Обладая 30-летним опытом в области технологических преобразований, мы ускоряем инновации, опираясь на опыт в области Agentic SDLC, модернизации приложений, данных и ИИ, Martech и бизнес-стратегии. Мы — 8000 CI&T-специалистов более чем в 25 странах, сотрудничающих для создания решений с реальным влиянием. ИИ уже является частью того, как мы работаем, развиваемся и внедряем инновации каждый день.
По мере того как CI&T расширяет свой Центр передового опыта в области данных и аналитики, мы ищем талантливого и опытного разработчика графовых баз данных, который присоединится к специализированной команде, создающей платформу модных рекомендаций на основе ИИ для ведущего клиента в индустрии моды и розничной торговли. Эта роль является центральной для преобразования неструктурированного редакционного контента в структурированный граф знаний, который обеспечивает интеллектуальные рекомендации по стилю в реальном времени для конечных пользователей, посещающих официальные мероприятия. Разработчик графовых баз данных будет работать по модели дополнения штата, интегрируясь с кросс-функциональной командой, включающей разработчика машинного обучения и разработчика агентов GenAI. Это техническая должность, требующая практического подхода и высокой ответственности за слой графовых данных — от проектирования схемы до приема данных, разрешения сущностей и производительности запросов — с прямым влиянием на то, что ИИ-агент рекомендует пользователям.
Проектирование схемы: Определение меток узлов и типов ребер, представляющих отношения между дизайнерами, предметами одежды, атрибутами стиля, тенденциями, случаями и редакционными статьями. Прием сущностей: Создание рабочих процессов, которые потребляют структурированные JSON-полезные данные из вышестоящего конвейера данных и загружают их в графовую базу данных в пакетном режиме. Вероятностное сопоставление сущностей: Сопоставление извлеченных упоминаний предметов (например, сумки, описанной по типу, цвету и материалу) с правильным узлом продукта в каталоге из более чем 50 000 SKU путем оценки степени совпадения атрибутов, присвоения уверенности в совпадении и создания отношения только тогда, когда оно превышает определенный порог. Дедупликация предметов, которые непоследовательно появляются в разных статьях. Взвешивание редакционных сигналов: Присвоение весов отношениям в зависимости от того, насколько заметно был представлен предмет или тенденция, отличая специальную функцию от мимолетного упоминания. Эти веса определяют, что ИИ-агент покажет первым в своих рекомендациях. Оптимизация запросов: Проектирование и настройка запросов обхода openCypher, включая многошаговые запросы, для получения релевантных результатов менее чем за три секунды для нижестоящих агентов Amazon Bedrock. Кросс-функциональное сотрудничество: Работа с разработчиком машинного обучения и разработчиком агентов GenAI для согласования структуры графа с потребностями в извлечении и рекомендациях ИИ-агента. Техническая валидация: Поддержка технических собеседований и валидация новых членов команды, присоединяющихся к рабочему потоку графовой базы данных, по мере необходимости.
Продвинутое владение английским языком (C1 или выше) с возможностью самостоятельного прямого общения с международными заинтересованными сторонами Надежный опыт работы с моделью данных property graph Опыт написания и оптимизации запросов openCypher, включая многошаговые обходы в условиях ограничений по времени отклика Опыт проектирования схем графов, оценки компромиссов между различными подходами к моделированию Опыт создания логики разрешения сущностей, включая нечеткое сопоставление, алгоритмы оценки и дедупликацию между источниками данных Прочные навыки Python для инженерии данных, включая пакетную обработку структурированных полезных данных Способность работать независимо в быстро меняющейся среде дополнения штата с установленной клиентской командой
Надежный опыт работы с Amazon Neptune Предыдущий опыт работы в сфере моды, розничной торговли или каталогов электронной коммерции Сертификация AWS по базам данных или аналитике данных Опыт интеграции графовых баз данных с генеративными ИИ-агентами (например, Amazon Bedrock Agents) Знакомство с рекомендательными системами или логикой ранжирования/взвешивания для отображения контента
И многое другое!
Подробнее о наших преимуществах здесь:
В CI&T инклюзивность начинается с первого контакта.
At CI&T, we help large enterprises transform the potential of AI into real business impact with AI Deployment, AI-native execution, and tech-integrated business solutions. With 30 years of experience in technological transformation, we accelerate innovation with expertise in Agentic SDLC, Application modernization, Data & AI, Martech and Business strategy. We are 8,000 CI&Ters across more than 25 countries, collaborating to build solutions with real impact. AI is already part of how we work, evolve, and innovate every day.
As CI&T grows its Data & Analytics Center of Excellence, we seek a talented and experienced Graph Database Developer to join a specialized team building an AI-powered fashion advisory platform for a leading client in the fashion and retail industry. This role is central to turning unstructured editorial content into a structured knowledge graph that powers real-time, intelligent style recommendations for end users attending formal events. The Graph Database Developer will work in a staff augmentation model, integrating with a cross-functional team that includes a Machine Learning Developer and a GenAI Agent Developer. This is a hands-on technical position requiring strong ownership of the graph data layer — from schema design through ingestion, entity resolution, and query performance — with direct impact on what the AI agent recommends to users.
Responsibilities: Schema Design: Define node labels and edge types that represent the relationships between designers, garments, style attributes, trends, occasions, and editorial articles. Entity Ingestion: Build workflows that consume structured JSON payloads from the upstream data pipeline and load them into the graph database in batch mode. Probabilistic Entity Matching: Match extracted item mentions (for example, a bag described by type, color, and material) to the correct product node in a catalog of 50,000+ SKUs by scoring attribute overlap, assigning a match confidence, and creating the relationship only when it exceeds a defined threshold. Deduplicate items that appear inconsistently across different articles. Editorial Signal Weighting: Assign weights to relationships based on how prominently an item or trend was featured, distinguishing a dedicated feature from a passing mention. These weights determine what the AI agent surfaces first in its recommendations. Query Optimization: Design and tune openCypher traversal queries, including multi-hop queries, to return relevant results in under three seconds for downstream Amazon Bedrock Agents. Cross-Functional Collaboration: Work alongside the Machine Learning Developer and GenAI Agent Developer to align the graph structure with the retrieval and recommendation needs of the AI agent. Technical Validation: Support technical interviews and validation of new team members joining the graph database workstream, as needed.
Requirements: Advanced English proficiency (C1 or above), with autonomy to communicate directly with international stakeholders Solid experience with the property graph data model Experience writing and optimizing openCypher queries, including multi-hop traversals under latency constraints Experience designing graph schemas, evaluating trade-offs between different modeling approaches Experience building entity resolution logic, including fuzzy matching, scoring algorithms, and deduplication across data sources Strong Python skills for data engineering, including batch processing of structured data payloads Ability to work independently in a fast-paced, staff augmentation setting with an established client team
Nice to Have: Solid experience with Amazon Neptune Prior experience in fashion, retail, or e-commerce catalogs AWS certification in databases or data analytics Experience integrating graph databases with generative AI agents (for example, Amazon Bedrock Agents) Familiarity with recommendation systems or ranking/weighting logic for content surfacing
Our benefits:
-Health and dental insurance -Meal and food allowance -Childcare assistance -Extended paternity leave -Partnership with gyms and health and wellness professionals via Wellhub (Gympass) TotalPass; -Profit Sharing and Results Participation (PLR); -Life insurance -Continuous learning platform (CI&T University); -Discount club -Free online platform dedicated to physical, mental, and overall well-being -Pregnancy and responsible parenting course -Partnerships with online learning platforms -Language learning platform And many more!
More details about our benefits here:
At CI&T, inclusion starts at the first contact. If you are a person with a disability, it is important to present your assessment during the selection process. See which data needs to be included in the report by clicking here. This way, we can ensure the support and accommodations that you deserve. If you do not yet have the assessment, don't worry: we can support you in obtaining it.
We have a dedicated Health and Well-being team, inclusion specialists, and affinity groups who will be with you at every stage. Count on us to make this journey side by side.
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 39 800 до 57 500