AI Engineer (F/M)
⚲ Warszawa
18 480 - 23 520 PLN netto (B2B)
Wymagania
- Python
- DWH
- SQL
- GCP
- AI
Opis stanowiska
O projekcie
Dołączysz do zespołu budującego platformę GenAI typu „chat with data”, która umożliwia zadawanie pytań do danych banku w języku naturalnym.
Twoja rola
• Rozwój rozwiązań opartych o LLM (GenAI)
• Budowa i rozwój RAG (praca na dokumentach)
• Tworzenie pipeline’ów danych (batch/streaming)
• Integracja AI z danymi (BigQuery i inne źródła)
• Udział w projektowaniu architektury i wdrożeniach
Must have
• Bardzo dobra znajomość Python
• Doświadczenie w pracy z LLM/GenAI (np. OpenAI)
• Doświadczenie z RAG lub podobnymi rozwiązaniami
• Praktyka w budowie pipeline’ów danych
• Doświadczenie z BigQuery lub inną hurtownią danych
• Dobra znajomość SQL (praca na dużych zbiorach danych)
Nice to have
• NL2SQL (generowanie zapytań z języka naturalnego)
• Bazy wektorowe (Pinecone, Weaviate, Milvus)
• GCP (Cloud Run, Pub/Sub)
• Kubernetes (podstawy/wdrożenia)
• Doświadczenie w środowisku regulowanym (np. bankowość)
Dołączysz do zespołu budującego platformę GenAI typu „chat with data”, która umożliwia zadawanie pytań do danych banku w języku naturalnym.
Twoja rola
• Rozwój rozwiązań opartych o LLM (GenAI)
• Budowa i rozwój RAG (praca na dokumentach)
• Tworzenie pipeline’ów danych (batch/streaming)
• Integracja AI z danymi (BigQuery i inne źródła)
• Udział w projektowaniu architektury i wdrożeniach
Must have
• Bardzo dobra znajomość Python
• Doświadczenie w pracy z LLM/GenAI (np. OpenAI)
• Doświadczenie z RAG lub podobnymi rozwiązaniami
• Praktyka w budowie pipeline’ów danych
• Doświadczenie z BigQuery lub inną hurtownią danych
• Dobra znajomość SQL (praca na dużych zbiorach danych)
Nice to have
• NL2SQL (generowanie zapytań z języka naturalnego)
• Bazy wektorowe (Pinecone, Weaviate, Milvus)
• GCP (Cloud Run, Pub/Sub)
• Kubernetes (podstawy/wdrożenia)
• Doświadczenie w środowisku regulowanym (np. bankowość)
🔍 Dekoder Ogłoszenia
🔴
Udział w projektowaniu architektury i wdrożeniach
Może oznaczać zarówno realny wpływ na architekturę, jak i jedynie uczestnictwo w dyskusjach i implementację gotowych rozwiązań.
🔴
Budowa i rozwój RAG (praca na dokumentach)
Może oznaczać zarówno budowanie od podstaw zaawansowanych systemów RAG, jak i jedynie integrację istniejących bibliotek z danymi.
🔴
Tworzenie pipeline’ów danych (batch/streaming)
Zakres i złożoność tych pipeline'ów może być bardzo różna, od prostych skryptów po rozbudowane systemy.
🔴
Doświadczenie w pracy z LLM/GenAI (np. OpenAI)
Może oznaczać zarówno głębokie zrozumienie działania modeli, jak i jedynie umiejętność korzystania z gotowych API.
🔴
Doświadczenie z RAG lub podobnymi rozwiązaniami
Podobnie jak w przypadku LLM, może oznaczać zarówno zaawansowane umiejętności, jak i podstawową znajomość narzędzi.