AI Engineer 5 (GenAI Platform Services, Agentic Platform)

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

AI-инженер в команду Intelligent Foundations and Experiences (IFX) в Capital One. Проектирование, разработка и оптимизация продакшн-систем на базе генеративного ИИ: обучение foundation-моделей, инференс LLM, агентные и мультиагентные воркфлоу, векторный поиск и guardrails.

Задачи

• Работать в кросс-функциональной команде инженеров, исследователей, технических программных менеджеров и продакт-менеджеров над AI-продуктами
• Проектировать, разрабатывать, тестировать, деплоить и поддерживать AI-компоненты: обучение foundation-моделей, инференс LLM, агентные и мультиагентные воркфлоу, similarity search, guardrails, оценка моделей, эксперименты, governance и observability
• Использовать стек Open Source и SaaS AI-технологий: AWS Ultraclusters, Huggingface, VectorDBs, PyTorch и другие
• Разрабатывать и внедрять передовые методы оптимизации foundation-моделей для повышения масштабируемости, снижения стоимости и задержек, роста пропускной способности продакшн-систем
• Участвовать в формировании технического видения и долгосрочного роадмапа foundational AI-систем
• Проектировать, реализовывать и оптимизировать пайплайны мультимодельной оркестрации, объединяя LLM, векторный поиск и доменные модели в единые системы
• Проводить и возглавлять ревью cost-performance governance: отслеживание утилизации GPU, пропускной способности моделей и эффективности стоимости инференса
• Руководить дизайн-советами и ревью-бордами для обеспечения технической согласованности и соответствия стандартам AI-инжиниринга
• Менторить AI-инженеров уровня Principal и Manager, развивая кросс-доменное обучение и техническую зрелость организации

Требования

• Bachelor's degree в Computer Science, AI, Electrical Engineering, Computer Engineering или смежных областях и минимум 6 лет опыта разработки AI/ML алгоритмов или технологий, либо Master's degree в тех же областях и минимум 4 года опыта
• Минимум 6 лет опыта программирования на Python, Go, Scala, CUDA или Java
• Опыт руководства разработкой AI-систем с принятием tradeoff-решений по стоимости, задержке, пропускной способности и точности
• 7 лет опыта деплоя масштабируемых и ответственных AI-решений в облаках (AWS, Google Cloud, Azure или эквивалентный private cloud)
• Опыт проектирования, разработки, поставки и поддержки сложных AI-систем
• Опыт разработки AI/ML алгоритмов и технологий (LLM Inference, Similarity Search и VectorDBs, Guardrails, Memory) на Python, C++, C#, Java, CUDA или Golang
• Опыт разработки и применения передовых методов оптимизации обучения и инференса для повышения утилизации железа, снижения задержек и стоимости
• Опыт построения агентных AI-систем и агентных воркфлоу
• Интерес к последним исследованиям в области AI и AI-систем и умение применять новые техники в продакшене
• Отличные коммуникативные навыки и умение объяснять сложные AI-концепции коллегам
• Опыт архитектуры и интеграции гетерогенных AI-систем (rule-based, retrieval-augmented и генеративных компонентов) в единые продакшн-пайплайны
• Опыт определения и внедрения стандартов этичного AI: explainability, fairness, human-in-the-loop
• Умение балансировать производительность модели и операционные затраты через динамические стратегии инференса и сжатие моделей
• Опыт подбора размера моделей, количества инстансов и типов железа под требования (длина контекста, входные/выходные токены)

Условия

• Полная занятость, годовая зарплата: Cambridge, MA и McLean, VA — $229,900–$262,400; New York, NY и San Jose, CA — $250,800–$286,200
• Возможна спонсорская поддержка для получения разрешения на работу
• Performance-based incentive compensation, включая cash bonus и/или long term incentives (LTI)
• Комплексный пакет льгот: health, financial и другие бенефиты
• Capital One — равноправный работодатель (EOE, включая disability/vet)

Навыки

• Python
• Go
• Scala
• CUDA
• Java
• C++
• C#
• Golang
• PyTorch
• Huggingface
• VectorDBs
• LLM Inference
• Similarity Search
• Guardrails
• Agentic AI
• Multi-agent workflows
• AWS
• Google Cloud
• Azure
• GPU utilization
• Model optimization
• RAG