Старший инженер по прикладному ИИ (Document Intelligence)

Что предстоит делать

**Штаб-квартира:** Нью-Джерси, США **URL:** https://vertican.com **О роли** На протяжении 40 лет Vertican создаёт программное обеспечение для юридических фирм. Год назад мы создали новую современную AI-платформу для автоматизации работы с документами (обработка/извлечение/редактирование), которую наши клиенты внедряют быстрее, чем любой другой продукт за всю нашу историю. Наш набор продуктов с поддержкой AI экономит клиентам тысячи часов каждую неделю, обрабатывая большие объёмы документов с точностью и скоростью. AI-команда растёт, и мы хотели бы, чтобы вы к ней присоединились. Мы нанимаем инженера, который будет отвечать за пайплайны обработки документов от начала до конца: проектирование, бенчмаркинг, эксперименты с новыми архитектурами и инструментами, определение пороговых значений, необходимых для развёртывания нового пайплайна, и т.д. Мы считаем важным создавать собственный инструментарий, который помогает нам запускать, улучшать и измерять наши приложения. Поэтому идеальный кандидат мыслит нестандартно о том, как не просто построить продукт/пайплайн, но и инструментарий, необходимый вокруг него. Вы станете первым специализированным ML-сотрудником в продукте, приняв эстафету у инженерного менеджера, который построил текущее решение, и будете работать напрямую с командой инженеров-основателей. Это senior-роль с активной практической работой в формате individual contributor, но мы небольшая команда, и вы будете участвовать в проектировании, планировании, формировании roadmap и архитектурных решениях. **Что вы будете делать** Проектировать пайплайны. Отвечать за архитектуру пайплайнов от извлечения до публикации: классификация страниц, извлечение полей, поиск кандидатов, сопоставление требований, контроль уверенности (confidence gating) и передача на ручную проверку и т.д. Определять, где заканчиваются правила и начинаются модели, что каждый этап должен гарантировать следующему, каковы принципы разделения ответственности и т.д. У нас есть разные пайплайны для разных типов документов, и мы ожидаем, что в любой момент времени могут появляться новые и объединяться другие. Оценивать новые системы до их внедрения. Проводить структурированные испытания компонентов-кандидатов и рекомендовать, что оставить. Примеры включают вероятностное связывание записей (Splink), Azure AI Content Understanding и Document Intelligence, модели, размещённые в Azure OpenAI и Foundry, а также LLM-агентов с инструментами. Аналогично тестировать новые модели с существующим пайплайном по мере их выпуска передовыми лабораториями. Строить процесс оценки. Вы будете отвечать за процесс оценки ложноположительных, ложноотрицательных результатов, ошибок пропуска и т.д., который мы в конечном итоге используем для определения, стоит ли обновлять пайплайн. Запускать и эксплуатировать. Доводить компоненты от испытаний до продакшена в наших python-воркерах в облаке, оснащать их инструментарием, следить за стоимостью и квотами, диагностировать случаи, которые возвращают проверяющие. Задавать направление. Работать с руководством над планированием точности, снижения затрат и общего улучшения продукта. **Что мы ищем** Обязательные требования 6+ лет опыта построения ML- или data-intensive систем, как минимум 3 из них — владение продакшн-пайплайном, результаты которого люди использовали в работе. Твёрдое понимание backend-инженерии и в идеале понимание облачной архитектуры. В идеале практический опыт в понимании документов: OCR или layout-модели, извлечение полей из отсканированных PDF или продукты intelligent document processing. Опыт с entity resolution или связыванием записей в масштабе (Splink, Dedupe, Zingg или ваша собственная система блокировки и скоринга) против баз данных с сотнями тысяч строк. Вы спроектировали оценку с нуля: построили размеченный ground-truth набор, выбрали метрики и защитили пороговое значение перед нетехническим стейкхолдером. Продакшн-опыт с LLM API, включая структурированный вывод, tool calling и управление стоимостью или rate-limit; вы можете сказать, когда LLM — неподходящий инструмент. Уверенный Python и SQL. Комфортно читать планы запросов Postgres и писать сырой запрос, когда ORM мешает. Инженерный/научный склад ума: вы научно подходите к тестированию пайплайна и к тому, как результаты интерпретируются/представляются. Желательные навыки Azure AI services (Content Understanding, Document Intelligence, Azure OpenAI, Foundry) или эквиваленты AWS и GCP. Обработка финансовых документов: чеки, remittance advices, lockbox-файлы, сопоставление платежей или автоматизация accounts receivable. Опыт в collections, legal operations или других регулируемых рабочих процессах, обрабатывающих PII. Теория вероятностного сопоставления (Fellegi-Sunter) или рабочие процессы разметки с active learning. Опыт создания инструментов для ручной проверки или циклов обратной связи, которые возвращаются в данные для обучения и оценки. **Как мы работаем и что предлагаем** Небольшая команда, прямой доступ к большим наборам данных, еженедельное планирование, ежедневный standup, все работают удалённо в часовых поясах США.

Что предлагаем