AI Архитектор

Должность: AI Архитектор Отчетность: Директор по искусственному интеллекту (линейное управление) Место в структуре: Область архитектуры AI/данных — встроена в область поставки, которую она обслуживает, линейное управление централизовано для Директора по искусственному интеллекту Опыт: Старший — 6+ лет в разработке программного обеспечения, данных или архитектуре платформ, с существенным практическим опытом работы с производственными AI-системами, а не только с пилотными проектами Прямые подчиненные: Нет. Влияние исходит от суждений и присутствия в нужных обсуждениях, а не от количества подчиненных.

Почему эта роль существует AI-решения в Citation теперь затрагивают Продукты, Разработку, Безопасность, Инфраструктуру и Бизнес одновременно — выбор моделей, архитектура данных, затраты и риски больше не являются отдельными вопросами. Без выделенного архитектурного владельца каждая инициатива принимает эти решения независимо: шаблоны расходятся, риски остаются незамеченными до тех пор, пока не станет дорого, и никто не отвечает за AI-специфичные решения, которые не принадлежат полностью какой-либо одной функции. Это не гипотетический пробел. Большая часть этой работы уже неформально выполняется в рамках поставки AI в Citation — рецензирование Заявлений о намерениях партнеров, управление тем, что проходит через Code Factory, выступление в роли практического архитектурного голоса при работе над текущими проектами. Эта роль формализует это в мандат с необходимым статусом и масштабом.

Как эта роль вписывается в функцию архитектуры AI Архитектор — это выделенный архитектор Citation для области AI/данных, работающий параллельно с архитекторами, отвечающими за HR, Бизнес-системы, Охрану труда и технику безопасности, eLearning, Верификацию, Сертификацию и платформу Atlas: ежедневно встроен в область поставки, которую он обслуживает, но линейно подчиняется Директору по искусственному интеллекту, чтобы его решения имели силу во всем бизнесе, а не только в команде, к которой он ближе всего. Центр архитектуры владеет целевым состоянием и стандартами всей архитектурной функции; эта роль владеет AI-специфичным применением этих стандартов, передавая решения с последствиями, выходящими за рамки AI/данных, на рассмотрение Совета по архитектуре, а не принимая их самостоятельно.

Как выглядит успешная работа Самый явный признак того, что эта роль работает: AI-инициативы в Citation начинаются хорошо и остаются на правильном архитектурном пути. На практике это означает:

Установленные шаблоны являются точкой отсчета для новых разработок, а не тем, что команды обнаруживают постфактум. Вопросы проектирования решаются до начала разработки, а не во время или после нее. Сторонние Заявления о намерениях проходят архитектурную оценку до их подписания. Выбор моделей и хостинга осуществляется на основе документированной системы принятия решений, а не привычки или давления со стороны поставщика. Расход токенов и стоимость за результат отслеживаются и объяснимы, а не являются сюрпризом в счете. Безопасность вовлекается в каждую значительную инициативу с самого начала, а не подключается в конце. Руководство имеет актуальное, точное представление об архитектурных рисках и направлении развития AI, без существенных сюрпризов.

Обязанности Архитектурные стандарты и шаблоны Владеть шаблонами проектирования, по которым Citation строит свои AI-системы: подходы к поиску и обоснованию для систем, которым нужны собственные знания Citation, а не общие знания модели; шаблоны оркестровки агентов и соглашения о вызове инструментов для многошаговых и многоагентных работ; конструирование промптов и разработка защитных механизмов; логика маршрутизации, определяющая, какая модель обрабатывает какой шаг. Поддерживать их в актуальном состоянии по мере развития ландшафта и документировать решения в форме, по которой Разработка и Продукт могут фактически строить — записи архитектурных решений, а не слайд-дек.

Выбор модели: open-weight vs. closed, и почему Вести документированную, основанную на доказательствах систему выбора между закрытыми передовыми моделями, доступными через API поставщика (Anthropic, OpenAI, Google), и open-weight моделями, работающими на собственной инфраструктуре Citation (Llama, Mistral, Qwen и аналогичные) — и применять ее для каждой рабочей нагрузки, а не как единое универсальное решение. Система должна учитывать:

Сложность задачи — сложный вывод и агентурная работа с долгим горизонтом обычно благоприятствуют закрытым передовым моделям; более простая классификация, извлечение и шаблонная генерация часто лучше обслуживаются меньшими open-weight моделями при гораздо меньших затратах. Объем и стоимость в масштабе — при больших объемах токенов самостоятельный хостинг open-weight моделей может стать значительно дешевле; эта роль отвечает за анализ того, где находится точка безубыточности для фактических рабочих нагрузок Citation, а не за общие отраслевые показатели. Конфиденциальность и местонахождение данных — для данных HR, трудоустройства и соответствия требованиям самостоятельный хостинг open-weight моделей устраняет класс рисков совместного использования данных с третьими сторонами, которые закрытые поставщики (даже с надежными договорными условиями) не устраняют полностью. Тонкая настройка и кастомизация — там, где open-weight модель, дообученная на собственных данных Citation, превосходит универсальную модель при более низких эксплуатационных расходах, это случай для разработки, который эта роль должна уметь обосновать доказательствами, а не интуицией. Задержка, лицензирование и общая стоимость владения — включая практические накладные расходы на запуск и обслуживание собственных моделей, а не только цену токенов.

Tokenomics — стоимость как архитектурный входной параметр, а не как afterthought Понимать и активно управлять юнит-экономикой каждого рекомендуемого AI-решения, включая:

Моделирование вероятной стоимости токенов на этапе проектирования, до создания системы, чтобы бизнес знал, на что он соглашается. Определение маршрутизации моделей (более дешевые модели для простых шагов, передовые модели зарезервированы для того, что действительно требует их), оптимизация промптов и контекста для эффективности, а также кэширование, где это применимо. Признание того, что агентурные и многоагентные шаблоны могут в несколько раз увеличить потребление токенов по сравнению с одним хорошо проработанным вызовом, и что выбор шаблона оркестровки сам по себе является решением о затратах. Настройка наблюдаемости для отслеживания стоимости за результат и производительности кэша с течением времени, а не только общего объема расходов.

Архитектура данных и готовность Оценить, являются ли данные, лежащие в основе любой AI-инициативы, достаточно структурированными, доступными и надежными для поддержки предполагаемого поведения — в слоях Salesforce, Atlas, Snowflake и интеграции Citation — и сигнализировать о проблемах готовности до того, как они станут препятствиями для поставки.

Право проектирования и управление Владеть путем утверждения новых AI-архитектурных шаблонов и существенных отклонений от существующих стандартов. Присутствовать на совещаниях по проектированию инициатив на ранней стадии, чтобы формировать их, а не просто рецензировать, и утверждать AI-элементы дизайна партнерских Заявлений о намерениях.

Доказательство концепции и техническая валидация Определять объем и критерии успеха для AI-исследований и доказательств концепции до их начала, проверять заявления поставщиков и партнеров о возможностях до их включения в согласованный дизайн, и гарантировать, что результаты доказательств концепции оцениваются с учетом реальных ограничений поставки — а не условий демонстрации поставщиком.

Надзор за сторонней поставкой Выступать в качестве внутреннего архитектурного партнера для партнеров по поставке Citation, подобно тому, как любая функция корпоративной архитектуры обеспечивает соблюдение критическими поставщиками определенного стандарта: рецензировать предложения и Заявления о намерениях до принятия обязательств, проводить обзоры дизайна во время поставки, и предоставлять партнерам четкую цель с техническими вызовами, где их решения требуют проверки.

Качество производства, наблюдаемость и стоимость Установить стандарт для мониторинга и оценки AI-систем после их запуска — офлайн- и онлайн-оценка, обнаружение дрейфа, защитные механизмы — и владеть фреймворком реагирования на инциденты AI в производстве, наряду с управлением затратами, описанным выше.

Безопасность и соответствие требованиям Вовлекать службу безопасности в качестве постоянного заинтересованного лица в каждую значительную AI-инициативу, занимаясь границами данных, обработкой персональных данных, риском внедрения промптов и оценкой сторонних поставщиков моделей на раннем этапе, а не в конце. Поддерживать соответствие стандарту информационной безопасности ISO 27001 и законодательству о защите данных, с особым вниманием к случаям использования персональных данных о трудоустройстве или HR в качестве входных данных для модели — здесь решение open-weight против closed оправдывает свое существование.

Ответственный AI Определять и поддерживать защитные механизмы для того, что AI-системы должны и не должны решать автономно, обеспечивать объяснимость результатов, когда они влияют на клиентов или сотрудников, оценивать новые инициативы на предмет риска предвзятости и отслеживать развивающееся законодательство об ответственном AI на предмет его влияния на системы Citation.

Внутреннее обучение Проводить неформальные сессии или рабочие группы для повышения AI-грамотности в отделах Разработки, Продуктов и Бизнеса. Быть первой точкой контакта по вопросам AI и поддерживать внедрение технических специалистов в AI-стандарты Citation.

Сканирование горизонта и стратегический вклад Отслеживать AI-ландшафт — включая, в частности, экосистему open-weight, учитывая, как быстро она развивается — и оценивать новые инструменты, модели и платформы на предмет соответствия фактическим потребностям Citation до того, как они получат внутренний импульс только на основе ажиотажа. Предоставлять Директору по искусственному интеллекту четкое, актуальное представление об архитектурных рисках и направлении развития AI по всему портфелю.

Что требуется от этой роли Обязательно 6+ лет опыта работы в области разработки программного обеспечения, данных или архитектуры платформ, включая значительный практический опыт работы с производственными AI-системами — пилотные проекты и доказательства концепции сами по себе не выявили бы сбоев, для предотвращения которых существует эта роль. Практический опыт выбора между закрытыми передовыми моделями и open-weight/самостоятельно размещенными моделями для реальных рабочих нагрузок, а не просто знакомство с дискуссией. Рабочее знание AI-юнит-экономики — ценообразование токенов, маршрутизация, кэширование, инженерия контекста — достаточное для надежного моделирования стоимости на этапе проектирования. Знание фактического стека Citation: сервисы AWS AI, агентурные и многомодельные шаблоны. Опыт работы с регулируемыми, содержащими большое количество персональных данных данными о трудоустройстве и соответствии требованиям — подобными тем, что используются для более чем 120 000 малых и средних клиентов Citation — и учет их как ограничения дизайна с первого дня, а не как последующее соблюдение нормативных требований. Рабочее знание стандартов информационной безопасности и законодательства о защите данных, применительно конкретно к AI-системам (внедрение промптов, риск поставщика моделей, границы данных), а не только общей IT-безопасности.