AI-инженер (производственные системы)

Что предстоит делать

<p>Большинство AI-инженеров создают демо. Вы будете создавать production-систему, от которой на самом деле зависит бизнес клиента.</p><p><strong>Команда:</strong> AI Delivery Practice</p><p><strong>Локация:</strong> Удаленно (Украина/Европа)</p><p><strong>Занятость:</strong> Полная занятость</p><p><strong>Руководитель:</strong> Head of AI Delivery/Engineering, не Sales и не Customer Success</p><p><strong>Командировки:</strong> Обычно 20–30%, сконцентрированы вокруг стартовых встреч и недель запуска проектов, согласовываются с вами по каждому проекту, а не возникают внезапно</p><h3><strong>Работа, честно</strong></h3><p>Большинство вакансий AI-инженеров позволяют вам доводить до совершенства демо. Эта — нет. Вы получаете одного клиента, одну реальную возможность и от шести до двенадцати недель, чтобы превратить её в работающую систему на живом трафике — в их окружении, на их данных, под наблюдением их службы безопасности. Затем вы делаете это снова — для другого клиента, в другой отрасли, с другими ограничениями.</p><p>Успех здесь измеряется не закрытыми тикетами. Он измеряется внедрением в production, влиянием на бизнес и тем, может ли клиент самостоятельно поддерживать то, что вы создали, без вашего постоянного присутствия.</p><p>Если это звучит как самая интересная часть работы, а не самая выматывающая, — читайте дальше.</p><h3><strong>AI-практика</strong></h3><p>Вы не будете единственным, кто разбирается в этом с нуля. Паттерны реализации, которые создаёт каждый инженер — дизайн guardrail'ов, eval-харнесс, способ скоупинга RAG-проекта, чтобы он не умер на 6-й неделе, — документируются и используются следующим инженером в следующем проекте. Вы не начинаете с нуля каждый раз, и человек после вас — тоже.</p><p>Проекты охватывают такое разнообразие, которое не может предложить компания с одним продуктом: в одном квартале — RAG-система на живых данных клиента, в следующем — агент с реальным write-доступом и настоящими guardrail'ами, затем — легаси-стек предприятия в условиях регуляторных ограничений.</p><h3><strong>Как на самом деле выглядит работа</strong></h3><p>От исследования до production — а не от исследования до презентации</p><p>• Вы работаете с командой клиента — их репозиториями, их данными, их стендапами — и находите AI-возможность, на которую стоит потратить шесть недель, а не ту, которая лучше всего смотрится в питче</p><p>• Вы анализируете их бизнес-процессы, ландшафт данных и существующие системы достаточно глубоко, чтобы перевести бизнес-задачу в production-ready AI-архитектуру</p><p>• Вы создаёте прототип, проверяете его с реальными конечными пользователями и итерируете на основе измеримых результатов, прежде чем убедите себя, что всё правильно</p><p>• Вы запускаете систему — и именно вы остаётесь на связи, когда она падает на второй неделе в production, а не тот, кто унаследует ваш код</p><p>• Вы фиксируете полученные знания, чтобы следующий проект и следующий инженер стартовали чуть дальше, чем вы</p><h3><strong>Ещё до подписания контракта</strong></h3><p>• Sales привлекает вас к скоупинговым звонкам, потому что «можно ли это реально запустить за 6–12 недель» — это инженерное решение, а не продажное — и то, что вы скажете, определяет, что будет продано</p><h3>Сама инженерия, когда вы уже в проекте</h3><p>• Production LLM-приложения — агенты, RAG, оркестрация — построенные на том стеке, на котором реально работает окружение клиента, а не на том, на котором приятнее всего писать</p><p>• Интеграции с тем, что уже есть у клиента: их API, identity provider, облако, системы обмена сообщениями, легаси-кусок, к которому никто не хочет прикасаться</p><p>• Работа над надёжностью, которая никогда не видна в демо: guardrail'ы для вызовов инструментов, ретраи, фолбэки, контрольные точки с участием человека (human-in-the-loop)</p><p>• Eval-пайплайны, golden-датасеты и наблюдаемость — потому что работа заканчивается не на go-live, а когда клиент может сам управлять системой</p><p>• Неприглядная работа по оптимизации: задержки, стоимость, безопасность, поддерживаемость — всё, что окажется реальным узким местом клиента</p><h3><strong>Кто здесь обычно преуспевает</strong></h3><p>Это не столько чек-лист, сколько описание человека, который уже выполнял подобную работу:</p><p>• Вы можете подробно рассказать о production AI-системе, которую вы запустили для внешнего заказчика — что они хотели на старте, что они хотели при запуске и почему это изменилось. Для нас это важнее любой строчки в вашем резюме</p><p>• 5+ лет коммерческой разработки ПО, сильные фундаментальные знания и способность освоить любой стек, который требует конкретный проект — мы нанимаем за инженерную глубину и адаптивность, а не за конкретный язык программирования</p><p>• Свободное владение как минимум одной современной LLM-платформой (OpenAI, Anthropic, Gemini, Azure OpenAI, Bedrock) и уверенная работа в области RAG/векторов/эмбеддингов/context-engineering без необходимости вводного курса</p><p>• Вы создавали агентов с помощью чего-то вроде LangGraph, LangChain, Semantic Kernel, CrewAI или AutoGen — и вы видели, как один из них ведёт себя неправильно в production, что научило вас большему, чем документация фреймворка</p><p>• Вы умеете разворачивать и поддерживать системы на AWS/Azure/GCP с Docker, Kubernetes и CI/CD — и достаточно понимаете IAM, аутентификацию и сети, чтобы не стать причиной отказа службы безопасности клиента</p><p>• Вы можете уверенно общаться со скептически настроенным enterprise-стейкхолдером, которого уже обжигали AI-вендоры — не имея всех ответов, но честно говоря о компромиссах</p><p>• Английский уровня Upper-Intermediate или выше, потому что значительная часть этой работы — это разговор, а не pull request</p><h3>Будет плюсом, не обязательное требование</h3><p>• Вы создавали eval-фреймворки, golden-датасеты или регрессионные тесты для AI-систем или работали с LangSmith, Langfuse, Arize Phoenix или MLflow</p><p>• Вы разбираетесь в AI-управлении (governance), guardrail'ах, снижении галлюцинаций или prompt injection — или в MCP / A2A и понимаете, куда движется AI-интероперабельность</p><p>• Вы работали с Databricks, Azure AI Foundry, Bedrock или Vertex AI на уровне платформы, а не только на уровне API</p><p>• У вас есть опыт консалтинга, solution architecture или технического pre-sales — или вы работали в регулируемой отрасли (здравоохранение, финансы, телеком, госсектор) и знаете, почему это меняет всё</p><p>• У вас есть история в GitHub, доклад на конференции или кейс, написанный в соавторстве с клиентом, которые подтверждают это, а не просто заявляют об этом</p><h3>Ваши первые 90 дней</h3><p>• Недели 1–2: Погружение в окружение первого клиента, определение совместно с их командой подтверждённого кейса с максимальной ценностью — а не получение готового задания</p><p>• Недели 3–8: Спроектирована архитектура, прототип проверен с реальными конечными пользователями, идёт создание production-версии</p><p>• Недели 9–12: Система работает на реальном трафике, eval-пайплайн внедрён, документация и передача готовы для того, чтобы команда клиента взяла систему на себя</p><h3><strong>Что мы предлагаем</strong></h3><p>• Конкурентоспособная компенсация с бонусами, привязанными к успешным production-запускам; доступен B2B-контракт</p><p>• Прямая видимость вашего влияния — ваш код работает у клиента, а не пылится в бэклоге</p><p>• Нет двух одинаковых проектов: в этом квартале — fintech RAG-проект, в следующем — создание агента для регулируемой отрасли</p><p>• Сертификации (Anthropic, OpenAI, AWS, GCP, Azure) и бюджет на профессиональное развитие</p><p>• Медицинская страховка, уроки английского, спортивные активности и культура, которая заранее говорит вам о сложных сторонах работы — как мы только что сделали</p><p> </p><p>Если цикл из шести-двенадцати недель, смена клиентов и ответственность «вы всё ещё держите пейджер» звучат для вас энергизирующе, а не выматывающе — это, вероятно, ваша роль. Пришлите нам своё резюме и расскажите о production AI-системе, запуском которой вы гордитесь больше всего.</p> <div> <a href="https://jobs.dou.ua/companies/chi-software/vacancies/368927/#reply-btn-id">Відгукнутись на вакансію</a> </div>