2 дня назад
Senior AI Engineer (LLM, Product AI, iGaming)
3 000 - 4 000USDT
Вакансия из Telegram канала - Мэтч & Сопровод
Покажет вашу совместимость и напишет письмо
Описание вакансии
TL;DR
Senior AI Engineer (LLM / Product AI) (LLM, Product AI): Развитие LLM-агентов, RAG и клиентских AI-функций для B2B-платформы iGaming с акцентом на безопасное выполнение действий, изоляцию данных и оценку качества. Focus on проектирование надёжных агентных систем, интеграцию с API и инфраструктурой Kubernetes/Kafka, а также принятие архитектурных решений по inference и AI-сервисам.
#vacancy #вакансия #job #AI #remote Вакансия: Senior AI Engineer (LLM / Product AI)
Компания: DevCasi
Локация: Кипр
Занятость: полный день, удаленный формат
Зарплатная вилка:3000-4000 USDT
Сфера: IGaming
О роли
Мы — B2B-платформа для iGaming, на которой наши клиенты запускают собственные продукты.
AI-направление охватывает внутренние инструменты и клиентскую часть: работу с аналитикой, управление продуктом через API, рекомендации, виртуальных персонажей и другие пользовательские сценарии.
Роль предполагает высокую техническую автономию и участие в принятии архитектурных решений. Детали задач и приоритеты обсудим на интервью.
Чем предстоит заниматься
Развивать LLM-агентов для работы с данными из ClickHouse и PostgreSQL.
Подключать агентов к API платформы, чтобы они могли помогать настраивать продукт и выполнять действия.
Проектировать безопасное выполнение действий: проверку прав, валидацию параметров, подтверждение критических операций, аудит и откат.
Обеспечивать строгую изоляцию данных, контекста и доступных действий между тенантами.
Развивать RAG по документации продукта.
Работать над клиентскими AI-функциями: рекомендациями, подсказками, виртуальными персонажами и диалоговыми сценариями.
Строить evals и регрессионные наборы для контроля качества ответов и действий агентов.
Принимать архитектурные решения: что использовать готовым, что разрабатывать самостоятельно и где нужен self-hosted inference.
Интегрировать AI-сервисы в существующую инфраструктуру: Kubernetes, Kafka, CI/CD и наблюдаемость.
Требования
5+ лет в разработке и практический опыт запуска LLM-систем в продакшен.
Python и опыт эксплуатации сервисов под реальной нагрузкой.
Практический опыт с RAG, tool calling и агентами, выполняющими действия через API.
Понимание ограничений LLM-систем и типичных сценариев отказа.
Опыт построения evaluation-контуров.
SQL и опыт работы с аналитическими СУБД: ClickHouse, BigQuery, Snowflake или аналогами.
Понимание безопасности LLM-приложений: prompt injection, контроль доступа и предотвращение утечек между тенантами.
Понимание принципов построения надёжных агентных систем: авторизация, подтверждение действий, идемпотентность, аудит и обработка частичных сбоев.
Самостоятельность — задачи приходят как «нужно, чтобы работало», а не как готовое ТЗ.
Английский B2+.
Будет плюсом: опыт в регулируемых доменах — iGaming или финтех; recsys/ranking; Go на уровне чтения кода; Kubernetes и Kafka; понимание экономики GPU-инференса.
Инструменты
Ждём опыта с частью этого стека:
Агенты: LangGraph, OpenAI Agents SDK, DSPy, Pydantic AI.
Evals и трейсинг: Langfuse, LangSmith, Braintrust, DeepEval, Arize Phoenix.
Гейтвей и роутинг: LiteLLM, Portkey.
RAG: pgvector, Qdrant, Weaviate, реранкеры.
Инференс: vLLM, SGLang.
Интеграции: MCP.
Конкретный набор неважен — важно понимать, зачем нужен каждый слой и что произойдёт, если его убрать.
Наш стек
Python, Go, Kubernetes, Argo CD, Kafka, ClickHouse, PostgreSQL, Grafana/Loki, GitLab CI.
Условия
Реальные данные и нагрузка, зрелая инженерная инфраструктура, бюджет на модели и эксперименты.
Отклик
Пришлите резюме и 5–10 предложений об одной AI-системе, которую вы довели до продакшена: что она делала, как измеряли качество, что сломалось после запуска и как вы это исправили.
Контакт:
Компания: DevCasi
Локация: Кипр
Занятость: полный день, удаленный формат
Зарплатная вилка:3000-4000 USDT
Сфера: IGaming
О роли
Мы — B2B-платформа для iGaming, на которой наши клиенты запускают собственные продукты.
AI-направление охватывает внутренние инструменты и клиентскую часть: работу с аналитикой, управление продуктом через API, рекомендации, виртуальных персонажей и другие пользовательские сценарии.
Роль предполагает высокую техническую автономию и участие в принятии архитектурных решений. Детали задач и приоритеты обсудим на интервью.
Чем предстоит заниматься
Развивать LLM-агентов для работы с данными из ClickHouse и PostgreSQL.
Подключать агентов к API платформы, чтобы они могли помогать настраивать продукт и выполнять действия.
Проектировать безопасное выполнение действий: проверку прав, валидацию параметров, подтверждение критических операций, аудит и откат.
Обеспечивать строгую изоляцию данных, контекста и доступных действий между тенантами.
Развивать RAG по документации продукта.
Работать над клиентскими AI-функциями: рекомендациями, подсказками, виртуальными персонажами и диалоговыми сценариями.
Строить evals и регрессионные наборы для контроля качества ответов и действий агентов.
Принимать архитектурные решения: что использовать готовым, что разрабатывать самостоятельно и где нужен self-hosted inference.
Интегрировать AI-сервисы в существующую инфраструктуру: Kubernetes, Kafka, CI/CD и наблюдаемость.
Требования
5+ лет в разработке и практический опыт запуска LLM-систем в продакшен.
Python и опыт эксплуатации сервисов под реальной нагрузкой.
Практический опыт с RAG, tool calling и агентами, выполняющими действия через API.
Понимание ограничений LLM-систем и типичных сценариев отказа.
Опыт построения evaluation-контуров.
SQL и опыт работы с аналитическими СУБД: ClickHouse, BigQuery, Snowflake или аналогами.
Понимание безопасности LLM-приложений: prompt injection, контроль доступа и предотвращение утечек между тенантами.
Понимание принципов построения надёжных агентных систем: авторизация, подтверждение действий, идемпотентность, аудит и обработка частичных сбоев.
Самостоятельность — задачи приходят как «нужно, чтобы работало», а не как готовое ТЗ.
Английский B2+.
Будет плюсом: опыт в регулируемых доменах — iGaming или финтех; recsys/ranking; Go на уровне чтения кода; Kubernetes и Kafka; понимание экономики GPU-инференса.
Инструменты
Ждём опыта с частью этого стека:
Агенты: LangGraph, OpenAI Agents SDK, DSPy, Pydantic AI.
Evals и трейсинг: Langfuse, LangSmith, Braintrust, DeepEval, Arize Phoenix.
Гейтвей и роутинг: LiteLLM, Portkey.
RAG: pgvector, Qdrant, Weaviate, реранкеры.
Инференс: vLLM, SGLang.
Интеграции: MCP.
Конкретный набор неважен — важно понимать, зачем нужен каждый слой и что произойдёт, если его убрать.
Наш стек
Python, Go, Kubernetes, Argo CD, Kafka, ClickHouse, PostgreSQL, Grafana/Loki, GitLab CI.
Условия
Реальные данные и нагрузка, зрелая инженерная инфраструктура, бюджет на модели и эксперименты.
Отклик
Пришлите резюме и 5–10 предложений об одной AI-системе, которую вы довели до продакшена: что она делала, как измеряли качество, что сломалось после запуска и как вы это исправили.
Контакт:
Будьте осторожны: если работодатель просит войти в их систему, используя iCloud/Google, прислать код/пароль, запустить код/ПО, не делайте этого - это мошенники. Обязательно жмите "Пожаловаться" или пишите в поддержку. Подробнее в гайде →
Текст вакансии взят без изменений
Источник -