16 сент.
Вакансии компании Napoleon IT
ЗП не указана, ≈ 249 033 ₽
ИТ-аккредитация
Адаптируем резюме под ATS-фильтры, подготовим сопроводительное на основе резюме и вакансии, соберём гайд подготовки к собеседованию, найдём контакты HR и нанимающих
Этот сайт использует файлы cookie для улучшения вашего опыта работы в интернете. Нажимая Принять, вы соглашаетесь на использование файлов cookie. Политика использования cookie
Почему стоит присоединиться к dLocal?
dLocal — финансовая инфраструктура, обеспечивающая глобальную коммерцию на самых быстрорастущих рынках мира. Крупнейшие компании мира доверяют нам раскрывать рост в более чем 60 странах развивающихся рынков — переводя деньги там, где другие видят лишь сложность. Мы не просто обрабатываем платежи; мы — архитекторы платёжных экосистем и партнёры наших клиентов в их экспансии. Вы будете работать вместе с более чем 1300 коллегами из 40+ национальностей и с первого дня решать глобальные задачи.
Вы присоединитесь к AI Lab — команде, чья миссия — проверять перспективные новые технологии ИИ и автоматизации и снижать риски их внедрения в dLocal. Это редкая возможность работать на переднем крае прикладного ИИ в финтехе: проводить строгие эксперименты с новейшими моделями и инструментами и превращать результаты в решения, определяющие, как глобальная платёжная компания внедряет ИИ.
Это роль старшего индивидуального контрибьютора. Прямое управление людьми не требуется, но роль предполагает значительное техническое влияние внутри Lab и среди команд, которые используют результаты его работы.
Как Staff AI Engineer в AI Lab вы отвечаете за поиск технологий, прототипирование и оценку для dLocal. Вы будете проводить инструментированные спайки и бенчмаркинг новых технологий ИИ, формировать чёткие рекомендации для заинтересованных сторон в инженерии, бизнесе, юридическом отделе и IT на основе ваших прототипов и координировать передачу дел командам, которые выводят проверенные технологии в продакшен.
Для перспективных технологий вы поможете определить паттерны, ограничения и технические требования, необходимые для внедрения, и скоординируете передачу инженерным командам, отвечающим за их промышленную реализацию.
Поиск и оценка технологий
Проводить короткие инструментированные спайки и бенчмаркинг новых моделей, инструментов и фреймворков: LLM, агентные системы, векторные базы данных, фреймворки оркестрации, копилоты, ассистенты и другое.
Сравнивать варианты от вендоров и open source, документируя компромиссы по качеству, стоимости, задержке, безопасности и сложности интеграции.
Готовить краткие меморандумы с решениями и чёткими рекомендациями: внедрять, наблюдать или избегать.
Оценочные стенды и песочницы
Проектировать и поддерживать среды оценки (например, датасеты, промпты, сценарии, телеметрия) для тестирования моделей в реалистичных ограничениях.
Создавать автоматизацию и инструменты для измерения качества, устойчивости, задержки и стоимости, включая отслеживание регрессий во времени.
Обеспечивать, чтобы у каждой оцениваемой технологии было покрытие бенчмарками и задокументированный взгляд на риски и ограничения.
Прототипирование и техническая валидация
Собирать достаточно системы, чтобы понять, как технология ведёт себя в реалистичных условиях, а не только в демо вендора или изолированных примерах.
Исследовать архитектуру, паттерны интеграции, операционные ограничения, границы безопасности и режимы отказов через рабочие прототипы.
Определять, что должно быть истинным, чтобы proof of concept стал жизнеспособной продакшен-возможностью.
Отдавать предпочтение сфокусированным прототипам, отвечающим на конкретные технические вопросы, а не преждевременной сборке продакшен-систем.
Рекомендации, готовность и передача дел
Переводить технические выводы в понятные меморандумы с решениями для технических и нетехнических заинтересованных сторон.
Для проверенных технологий готовить руководства по готовности: рекомендуемые паттерны, ограничения, известные ограничения, операционные соображения и требования к интеграции.
Координировать передачу инженерным командам, отвечающим за промышленную реализацию.
Поддерживать эти команды в переходный период, когда нужен глубокий контекст из оценки, не становясь постоянным владельцем получившейся системы.
Отслеживать, что происходит после рекомендаций Lab, и использовать эти исходы для улучшения будущих методов оценки.
Управление, риски и стандарты
Работать с Security, Legal, Compliance и другими AI-командами над документированием оценок рисков, мер снижения и рекомендаций по управлению для каждой оцениваемой технологии.
Поддерживать чек-листы, шаблоны решений и лёгкие стандарты, пригодные для повторного использования в оценках и партнёрскими командами.
Включать опыт сторонних AI-инструментов, уже используемых в компании, таких как внешние копилоты и AWS AI suite, в руководства по внедрению.
Сотрудничество, менторство и сообщество
Сотрудничать с другими AI-командами и доменными командами для чётких границ и плавного взаимодействия.
Участвовать в найме как технический оценщик и амбассадор культуры.
Менторить инженеров в Lab и смежных командах по методам оценки, бенчмаркингу и экспериментальному дизайну.
Делиться знаниями через внутренние материалы, техдоклады и периодические внешние митапы и конференции.
Техническая глубина
8+ лет опыта в разработке ПО, включая значительный опыт работы на уровне senior или Staff.
Глубокий практический опыт создания и оценки систем на основе LLM и современных AI-инструментов.
Сильные основы разработки ПО и способность быстро создавать качественные экспериментальные системы.
Опыт создания агентных или многошаговых AI-систем с использованием инструментов, оркестрации, состояния, retrieval или внешних интеграций.
Хорошее знание облачной инфраструктуры, предпочтительно AWS, и способность безопасно и с учётом стоимости запускать экспериментальные нагрузки.
Опыт observability, телеметрии, тестирования и бенчмаркинга сложных систем.
Способность рассуждать об архитектуре систем, надёжности, масштабируемости, асинхронных workflow и распределённых компонентах, где это уместно.
Опыт проектирования экспериментов или бенчмарков, повлиявших на значимые технические решения.
Бенчмаркинг и оценка
Опыт проектирования и проведения бенчмарков, сравнивающих AI-модели и инструменты в реальных ограничениях.
Опыт построения оценочных датасетов: выбор задач, разметка, дисциплина holdout и поддержание набора полезным по мере улучшения моделей.
Практическое знание методов LLM-as-judge и их режимов отказа, наряду с человеческой оценкой, согласованностью между аннотаторами и пониманием, когда что уместно.
Способность рассуждать о статистической значимости на малых выборках и честно указывать уверенность, а не переоценивать результат.
Знакомство с отслеживанием регрессий, телеметрией и версионированием, чтобы результат оставался воспроизводимым спустя месяцы.
Принятие решений
Способность превращать неоднозначные идеи «надо попробовать эту новую штуку» в чётко ограниченные планы оценки с ясными гипотезами и метриками.
Комфорт в принятии компромиссов по качеству, задержке, стоимости и привязке к вендору с их чётким документированием.
Опыт написания коротких, чётко сформулированных меморандумов с решениями, помогающих другим действовать быстро.
Сотрудничество и коммуникация
Умение объяснять технические результаты неспециалистам конкретно и кратко.
Опыт работы с platform-, product- и operations-командами для согласования оценок с реальными сценариями использования.
Способность влиять без полномочий, согласовывая команды вокруг общих стандартов и ограничений.
Мышление
Любознательность и склонность к экспериментам в сочетании с дисциплинированным измерением и осознанием рисков.
Комфорт в небольшой команде с высоким leverage без встроенных PM. Вы структурируете свою работу сами и держите заинтересованные стороны в курсе.
Установка builder: вы предпочитаете переиспользуемые инструменты, шаблоны и playbooks разовой работе.
Будьте осторожны: если работодатель просит войти через Google, iCloud или Госуслуги, прислать код или пароль, запустить ПО или перевести деньги — это мошенники.
ЖмитеГайд по безопасности
