Должность: Инженер по внедрению AI
Местоположение: Офис в Лондоне / гибридный формат
О Moneybox
Миссия Moneybox — дать каждому возможность жить полной жизнью. Мы исходим из убеждения, что богатство — это не сами деньги, а средства к достижению большего — больше свободы, возможностей, перспектив и спокойствия. Moneybox — это отмеченная наградами платформа управления активами, которая помогает более чем полутора миллионам человек увеличивать свое благосостояние на протяжении всей жизни, будь то сбережения и инвестиции, покупка первого дома или планирование пенсии.
Обзор вакансии
Moneybox обслуживает более 2 миллионов клиентов и обеспечивает работу сервиса, обрабатывающего более 20 миллионов запросов к API в день. Мы согласовали общекорпоративную стратегию AI-платформ и формируем новую команду внедрения AI для ее реализации. Это первый из нескольких инженеров по внедрению AI уровня Senior, подчиняющийся руководителю AI-платформ и внедрения.
Вы будете старшим инженером, отвечающим за внедрение AI-решений для решения бизнес-задач: экспертом по внедрению AI и его безопасному использованию, а не ML-моделлером. Работа в основном будет связана с Python в рамках современного стека AI-инжиниринга — создание коннекторов, навыков и инструментов, рабочие процессы и оркестрация агентов, хостинг и изоляция агентов, системы защиты (guardrails), оценка (evals), RAG и контекстный инжиниринг, а также токеномика (стоимость, задержка, выбор модели). Опыт работы с LLM-системами производственного уровня является основным требованием.
Вы будете работать над тремя типами проектов:
- Взаимодействие с отделами. Интеграция с отделами для более сложного, чем «просто спроси Claude», применения AI в задачах и процессах — например, Python-пайплайны, где один шаг — это вызов LLM API — обеспечение реальной инкрементальной ценности с каждым проектом и трансформация рабочих процессов в полноценные, основанные на AI бизнес-процессы.
- Внедрение AI для клиентов. Развертывание и интеграция AI-компонентов, созданных нашими ML- и Decisioning-командами, в продакшн: инженерный слой реализации между рабочей моделью и реальной клиентской функцией.
- Возможности AI-платформы. Сотрудничество с командой AI-платформ для превращения паттернов взаимодействия в безопасные, все более самообслуживаемые общекорпоративные инструменты.
Отделы Moneybox уже самостоятельно разрабатывают AI-инструменты — мы хотим предоставить им безопасный путь для масштабируемого использования в критически важных процессах. Эта роль призвано удовлетворить этот спрос и должным образом его развить.
Что вы будете делать
- Полностью отвечать за реализацию проектов. Определять объем работ совместно с отделом, проектировать решение, создавать его, внедрять, согласовывать передачу и модель владения — от прототипа до стабильного продакшна. Проекты поступают как неопределенные проблемы; вы определяете проблему, а не только решение.
- Правильно инженерить AI-решения. Пайплайны, интеграция LLM API, оценка (evals), системы защиты (guardrails), мониторинг, оптимизация стоимости и точности создаваемых систем. Понимать, когда шаг должен быть детерминированным, а когда LLM — правильный инструмент.
- Превращать инструменты в бизнес-системы. Брать общие, критически важные для команды инструменты, которые люди создали для себя, и перестраивать их в полноценные бизнес-системы в рамках полного SDLC, где это оправдано ценностью.
- Внедрять компоненты, разработанные ML-командами, в продакшн. Сервинг, интеграция с платформой Moneybox и все, что связано с моделью, в партнерстве с командами Decisioning и Data Science (которые отвечают за то, что происходит внутри модели) и нашими инженерными командами.
- Создавать многократно используемые возможности. Превращать полученные в ходе проектов знания в общие инструменты, шаблоны, руководства (playbooks) и самообслуживаемые рабочие процессы на стеке AI-платформ. Разработка компонентов платформы, включая системы защиты (guardrails), изоляцию (sandboxing), рабочие процессы (workflows) и шлюзы (gateways).
- Повышать уровень. Работать вместе с привлеченными специалистами во время наращивания мощностей команды, поглощая и усваивая их результаты, чтобы возможности оставались в Moneybox.
В первые три месяца мы ожидаем, что ваши первые проекты для отделов будут выбраны с учетом реализуемости и принесут измеримую бизнес-ценность — сэкономленное время, предотвращенные затраты, сниженные риски — и по крайней мере одна разработанная ML-командой возможность будет внедрена в продакшн с надлежащей оценкой (evals), мониторингом и контролем затрат.
Эта роль явно не связана с обучением ML-моделей или Data Science, и это не универсальный специалист по составлению промптов для чат-ботов: это production software engineering с AI в основе.
Кто вы
- Production-инженер с AI в основе. Вы создавали и выводили в продакшн LLM-системы и можете конкретно рассказать об оценках (evals), режимах сбоев, кривых затрат и о том, что бы вы сделали иначе.
- Комфортно чувствуете себя в условиях неопределенности. Вы можете прийти в отдел с неясной проблемой и уйти с проработанной, реализуемой системой, и вами управляют по исключениям, а не по прямым указаниям.
- Отличный партнер для нетехнических владельцев. Взаимодействие, определение объема работ и общение с людьми, которые владеют бизнес-процессом, но не технологией, — это работа, а не отвлечение от нее.
- Мыслите в рамках платформы. Вы ранее превращали разовые решения в многократно используемые инструменты или платформы и ищете паттерны в каждом взаимодействии.
- Операционно ориентированы. Вы заботитесь о мониторинге, стоимости и надежности того, что вы выпускаете, и о превращении прототипа в систему, на которую можно положиться.
- По своей природе заботитесь о безопасности. Обработка PII, дисциплина границ данных, осведомленность о prompt-injection, дизайн с участием человека (human-in-the-loop) и безопасный отказ — это то, как вы строите, а не чек-лист, который вы применяете после.
Навыки и опыт
Обязательные
- 5+ лет опыта в software engineering со значительной ответственностью за продакшн.
- Создавали и выводили в продакшн LLM-системы.
- Production-grade Python как основной язык.
- LLM-системы в продакшене: реальный опыт работы с моделями через API — коннекторы, оркестрация, структурированный вывод, использование инструментов и агентов, RAG, где это уместно.
- Оценки (evals) и качество: разработка наборов для оценки, измерение точности (accuracy, recall, precision) для LLM-шагов, регрессионное тестирование промптов и рабочих процессов.
- Практика безопасности и систем защиты (guardrails): обработка PII, дисциплина границ данных, осведомленность о prompt-injection, дизайн с участием человека (human-in-the-loop).
- Оптимизация стоимости и производительности: выбор моделей, кэширование, пакетная обработка, токеномика, бюджеты задержки.
- Внедрение и операции: CI/CD, контейнеризация, мониторинг и оповещение для AI-нагрузок.
- Основы обработки данных: пайплайны, трансформация, валидация, обработка аномалий.
- Опыт предоставления результатов клиентам или заинтересованным сторонам: консалтинг, forward-deployed engineering, solutions engineering или роли, связанные с обслуживанием нетехнических пользователей.
Желательные
- Опыт работы с Azure и/или .NET. Мы размещаемся на Azure, и наш основной стек — .NET, поэтому готовность интегрироваться с обоими обязательна; существующий опыт является бонусом, а не требованием.
- Опыт работы с платформами хостинга и изоляции агентов, LLM или MCP-шлюзами, или инструментами оркестрации рабочих процессов агентов.
- Опыт работы в сфере финансовых услуг или другой регулируемой среде.
- Опыт внедрения моделей, созданных командой Data Science, в производственные системы, ориентированные на клиентов.
