AI Engineer

🚀 Wymagania techniczne

🧰 Technologie i narzędzia

• Doświadczenie w pracy z vLLM – wdrażanie, konfiguracja oraz optymalizacja inferencji modeli LLM

• Praktyczna znajomość LangChain w zakresie orkiestracji pipeline’ów LLM

• Doświadczenie z bazami wektorowymi, w szczególności Milvus (lub alternatywy: FAISS, Weaviate, Pinecone)

• Znajomość systemów:

  • Redis (cache, kolejki, przechowywanie stanu)

  • PostgreSQL (bazy relacyjne)

  • MinIO (object storage, kompatybilność z S3)

📄 Praca z danymi i dokumentami

• Bardzo dobra znajomość strategii chunkowania dokumentów:

  • dobór rozmiaru chunków

  • overlap

  • chunkowanie semantyczne i strukturalne

  • wpływ chunkowania na jakość wyszukiwania i odpowiedzi LLM

• Doświadczenie w budowie i utrzymaniu pipeline’ów RAG (Retrieval-Augmented Generation)

🧠 LLM i jakość odpowiedzi

• Praktyczne doświadczenie w prompt engineering:

  • projektowanie promptów systemowych i użytkownika

  • few-shot / zero-shot prompting

  • kontrola stylu, formatu i jakości odpowiedzi

• Doświadczenie w optymalizacji systemów wspierających LLM:

  • poprawa wydajności

  • zwiększanie jakości i spójności odpowiedzi

  • redukcja halucynacji

  • debugowanie błędnych odpowiedzi modeli

⭐ Wymagania dodatkowe (nice to have)

• Doświadczenie w pracy z różnymi modelami LLM (open-source i komercyjnymi)

• Znajomość zagadnień związanych z:

  • latency i throughput LLM

  • batchingiem zapytań

  • cache’owaniem odpowiedzi

• Doświadczenie w pracy w środowiskach chmurowych (AWS / GCP / Azure)

• Znajomość Dockera i/lub Kubernetes

• Umiejętność pracy z API modeli językowych

🤝 Kompetencje miękkie

• Umiejętność analitycznego myślenia i rozwiązywania problemów

• Samodzielność w projektowaniu rozwiązań technicznych

• Umiejętność pracy zespołowej oraz komunikacji z zespołami produktowymi i biznesowymi

🧭 Proces rekrutacji

1. Krótka rozmowa z rekruterem

2. Rozmowa techniczna / omówienie projektu