Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
CI&T
Колумбия3 месяца назад
Грейд
Middle
Формат работы
Удалённо
Уровень английского
C1, продвинутый
Письмо на почту или сообщение рекрутеру в Telegram
В CI&T мы помогаем крупным предприятиям трансформировать потенциал ИИ в реальное влияние на бизнес с помощью внедрения ИИ, выполнения нативных для ИИ проектов и технологически интегрированных бизнес-решений. Обладая 30-летним опытом технологических трансформаций, мы ускоряем инновации благодаря экспертизе в области Agentic SDLC, модернизации приложений, данных и ИИ, Martech и бизнес-стратегии. Нас 8000 CI&Ters из более чем 25 стран, которые сотрудничают для создания решений с реальным влиянием. ИИ уже является частью того, как мы работаем, развиваемся и внедряем инновации каждый день.
Поскольку 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 для модных рекомендаций на базе ИИ для ведущего клиента в индустрии моды и розничной торговли. Эта роль имеет центральное значение для преобразования неструктурированного редакционного контента в структурированный граф знаний, который обеспечивает интеллектуальные рекомендации по стилю в режиме реального времени для конечных пользователей, посещающих официальные мероприятия. Разработчик графовых баз данных будет работать в модели дополнения штата, интегрируясь с кросс-функциональной командой, включающей разработчика машинного обучения и разработчика GenAI-агентов. Это практическая техническая позиция, требующая сильной ответственности за уровень графовых данных — от проектирования схемы до приема данных, разрешения сущностей и производительности запросов — с прямым влиянием на то, что ИИ-агент рекомендует пользователям. Сотрудничество — наша суперсила, разнообразие объединяет нас, а превосходство — наш стандарт.
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 include:
And many others.
Collaboration is our superpower, diversity unites us, and excellence is our standard. We value diverse identities and life experiences, fostering a diverse, inclusive, and safe work environment. We encourage applications from diverse and underrepresented groups to our job positions.
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 2 700 до 3 720
Проектирование схемы: Определение меток узлов и типов ребер, представляющих отношения между дизайнерами, предметами одежды, атрибутами стиля, трендами, случаями и редакционными статьями. Прием сущностей: Создание рабочих процессов, которые потребляют структурированные JSON-полезные нагрузки 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 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 тренд, отличая выделенную функцию от случайного упоминания. Эти веса определяют, что ИИ-агент выводит в первую очередь 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 Amazon Bedrock Agents. Кросс-функциональное сотрудничество: Работа в паре с разработчиком машинного обучения и разработчиком GenAI-агентов для согласования структуры графа с потребностями ИИ-агента в извлечении и рекомендациях. Техническая валидация: Поддержка технических собеседований и валидации новых членов команды, присоединяющихся к рабочему процессу графовой базы данных, по мере необходимости.
Продвинутое владение английским языком (C1 или выше), с возможностью самостоятельного прямого общения с международными заинтересованными сторонами Прочный опыт работы с моделью данных графа свойств (property graph data model) Опыт написания и оптимизации запросов openCypher, включая многошаговые обходы в условиях ограничений задержки Опыт проектирования схем графов, оценки компромиссов между различными подходами к моделированию Опыт построения логики разрешения сущностей, включая нечеткое сопоставление, алгоритмы оценки и дедупликацию между источниками данных Сильные навыки Python для инжиниринга данных, включая пакетную обработку структурированных полезных нагрузок данных Способность работать самостоятельно в быстро меняющейся среде дополнения штата с установленной клиентской командой.
Прочный опыт работы с Amazon Neptune Предшествующий опыт работы в каталогах моды, розничной торговли или 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 многие другие.