Architekt Korporacyjny AI (AI Enterprise Architect)

WYMAGANIA

• 5+ lat doświadczenia w architekturze korporacyjnej, z czego co najmniej 2-3 lata w projektowaniu i wdrażaniu rozwiązań AI/ML

• Praktyczne doświadczenie z tradycyjnymi modelami AI/ML jak i dużymi modelami językowymi (LLM)

• Udowodnione doświadczenie w projektowaniu i implementacji architektury hybrydowej (np. AWS, Azure, GCP w połączeniu z on-premise) dla obciążeń AI

• Biegłość w MLOps i DevOps, w tym w narzędziach do automatyzacji, konteneryzacji (Docker, Kubernetes) i orkiestracji (Kubeflow, MLflow).

• Wiedza na temat zarządzania danymi, w tym:

  • projektowania data lake, 

  • zarządzania danymi nieustrukturyzowanymi 

  • bezpieczeństwa i prywatności danych

• Zrozumienie wymogów regulacyjnych w sektorze finansowym: bankowo - ubezpieczeniowym (np. RODO, DORA)

• Umiejętności analityczne, rozwiązywania problemów i myślenia strategicznego oraz przystępnego komunikowania tematów technicznych

• Wykształcenie wyższe w dziedzinie informatyki, inżynierii, matematyki, sztucznej inteligencji lub pokrewne

Mile widziane

• Certyfikaty z zakresu chmury publicznej np. AWS Certified Solutions Architect, Azure Solutions Architect Expert czy GCP Architect

• Certyfikaty z zakresu chmurowych rozwiązań AI np. AWS Certified Machine Learning Engineer, Azure AI Engineer, GCP AI

ZAKRES OBOWIĄZKÓW

• Definiowanie i rozwijanie wizji oraz strategicznej mapy drogowej dla wdrożeń AI w całej organizacji

• Opracowywanie i utrzymywanie kompleksowej architektury AI, która efektywnie łączy środowiska chmury publicznej i rozwiązania lokalne (on-premise), zapewniając skalowalność, bezpieczeństwo i zgodność z regulacjami.

• Projektowanie mechanizmów płynnej integracji i współdziałania między LLM a tradycyjnymi modelami ML 

• Współpraca z zespołami ds. danych w celu zaprojektowania i wdrożenia platform danych wspierających różnorodne potrzeby modeli AI, tj. data lake, hurtowni danych, wektorowych baz danych oraz magazynów cech (feature stores).

• Wprowadzanie i standaryzacja praktyk MLOps i LLMOps, w tym CI/CD, IaC, automatycznego testowania, monitorowania modeli i zarządzania ich cyklem życia.

• Zapewnienie bezpieczeństwa i zgodności z przepisami.

• Wdrażanie zasad etycznej sztucznej inteligencji