AI/ML Engineer

AppZen — лидер в области программного обеспечения для автономных операций от закупки до оплаты. Его запатентованный искусственный интеллект точно и эффективно обрабатывает информацию из тысяч источников данных, позволяя организациям лучше понимать расходы предприятия в масштабе и принимать более обоснованные бизнес-решения. Он бесшовно интегрируется с существующими рабочими процессами по учету кредиторской задолженности, расходов и платежей по картам, чтобы считывать, понимать и принимать решения в режиме реального времени на основе вашего уникального профиля расходов, что приводит к ускорению обработки и сокращению случаев мошенничества или расточительных расходов. Крупные мировые предприятия, в том числе треть компаний из списка Fortune 500, используют решения AppZen для обработки счетов, расходов и транзакций по картам, чтобы заменить ручные финансовые процессы и повысить скорость и гибкость своего бизнеса. Чтобы узнать больше, посетите нас по адресу.

Мы ищем инженера по ИИ/МО с опытом работы 1–3 года, который присоединится к нашей растущей команде ИИ. В этой роли вы будете создавать и внедрять функции на основе LLM и агентов, которые считывают, понимают и принимают решения по счетам, отчетам о расходах и транзакциям по картам для некоторых крупнейших финансовых команд мира. Вы будете работать вместе с ведущими инженерами по ИИ/МО, специалистами по данным и менеджерами по продуктам, чтобы переводить функции из прототипа в производство и полностью отвечать за них после запуска. Если вам нравится превращать последние достижения в области LLM и агентов в надежные и измеримые продукты, AppZen — это то, что вам нужно.

Разработка LLM и агентов: Создание и улучшение функций на основе LLM и многошаговых рабочих процессов агентов (например, с использованием LangGraph) для извлечения, проверки и анализа счетов, квитанций, отчетов о расходах и транзакций по картам.

Генерация с дополненной выборкой (RAG): Создание конвейеров выборки (фрагментация, вложения, векторный поиск и повторное ранжирование), которые предоставляют моделям соответствующий контекст политики, поставщика и транзакций для принятия точных финансовых решений.

Использование инструментов и структурированные выходные данные: Реализация вызова функций и интеграции API, чтобы модели могли надежно запрашивать внутренние службы и системы ERP/AP, а также возвращать проверенные, структурированные (JSON) выходные данные.

Оценка и качество: Создание наборов данных для оценки, метрик и автоматизированных наборов тестов для измерения точности, уровня галлюцинаций, задержки и затрат, а также использование результатов для улучшения подсказок, выборки и моделей.

Промышленное производство: Упаковка и развертывание моделей и служб с использованием Docker и конвейеров CI/CD, добавление мониторинга и ведения журналов, а также обеспечение их надежности, масштабируемости и экономической эффективности в производственной среде.

Межфункциональное сотрудничество: Тесное взаимодействие с ведущими инженерами, специалистами по данным и менеджерами по продуктам для преобразования требований клиентов и бизнеса в технические решения с четко определенными рамками, а также участие в обзорах кода и обсуждениях дизайна.

Профессиональный опыт: 1–3 года опыта создания и развертывания решений ML/AI в производственной среде, в том числе не менее 1 года практической работы над приложениями на основе LLM.

Программирование: Отличные навыки работы с Python, опыт написания чистого, протестированного, производственного кода и создания REST API (например, FastAPI или Flask).

Фреймворки LLM и агентов: Практический опыт работы с LangChain, LangGraph, LlamaIndex или аналогичными фреймворками, а также с API LLM (например, OpenAI, Anthropic, Gemini) или моделями с открытым исходным кодом.

RAG и векторные базы данных: Практический опыт создания RAG-конвейеров с использованием векторных баз данных, таких как Pinecone, Milvus, pgvector или FAISS.

Промптинг и структурированные выходные данные: Хорошее понимание методов промптинга (few-shot, Chain-of-Thought, ReAct) и получения надежных структурированных выходных данных и вызовов функций из LLM.

Основы ML: Прочные знания основ ML и NLP, с практическим опытом работы с PyTorch или аналогичным фреймворком. Опыт тонкой настройки (например, LoRA) является плюсом.

MLOps и облачные технологии: Практические знания Docker, Git и CI/CD, а также опыт развертывания на облачной платформе (AWS, GCP или Azure). Знакомство с инструментами наблюдения за LLM (например, LangSmith, Arize Phoenix или Weights & Biases) является плюсом.

Образование: Степень бакалавра или магистра в области компьютерных наук, инженерии или смежной технической области, или эквивалентный практический опыт.