Inżynier AI (automatyzacja zadań)

Obszar systemów korporacyjnych dynamicznie się zmienia. Wraz ze Strategią AI pojawia się konieczność wsparcia obszarów biznesowych w automatyzacji i budowaniu wartości wykorzystując rozwiązania AI oraz budując portfel zastosowań AI. W związku z tym pojawia się wymóg budowania zupełnie nowych kompetencji w organizacji. Jedną z nich jest inżynier AI.

• Doświadczenie w budowie rozwiązań AI (min. 1 rok), z realną odpowiedzialnością za końcowy efekt.
• Biegłość w Pythonie, praktyka w ekosystemie agentowym – LangChain (lub pokrewne), projektowanie workflow agentów oraz integracja LLM z systemami.
• Umiejętność doboru strategii retrievalu, modelowania pamięci i projektowania kontekstu pod wymagania domenowe, MCP.
• Znajomość podstaw ML/DL i NLP.
• Mile widziane doświadczenia: forecasting, klasyfikacja, detekcja anomalii, generacja tekstu; PyTorch/TensorFlow jako atut.
• Projektowanie i konsumpcja API, łączenie usług, praca z danymi transakcyjnymi i podstawowymi.
• Znajomość baz relacyjnych (np. PostgreSQL).
• Praktyczna praca z Azure/GCP, Kubernetes oraz repozytoriami i pipeline’ami (GitHub/GitLab).
• Znajomość narzędzi projektowych Jira/Confluence.
• Orientacja na bezpieczeństwo i zgodność – rozumienie wymogów instytucji finansowych (praca z danymi wrażliwymi, kontrola dostępu, ścieżka audytowa).
• Znajomość oprogramowania Sparx Enterprise Architect.
• Znajomość notacji BPMN 2.0, UML, ArchiMate.
• Umiejętności miękkie: praca grupowa, analityczne myślenie, kwestionowanie i uszczegóławianie wymagań, odpowiedzialność za produkt, komunikacja z odbiorcami nietechnicznymi.
• Wykształcenie wyższe preferowane informatyczne lub ekonomiczne.
• Bardzo dobra znajomość języka angielskiego.

• Integracja LLM z ekosystemem przedsiębiorstwa – zewnętrzne API i narzędzia, systemy wewnętrzne, bazy danych.
• Projektowanie i budowa agentów AI – orkiestracja zadań oraz integracje z aplikacjami i/lub bazami danych oparte o reguły i kontekst biznesowy.
• Implementacja architektury RAG oraz praca z bazami wektorowymi i optymalizacją retrievalu.
• Propagowanie wiedzy o sztucznej inteligencji, architekturze agentowej wewnątrz organizacji jak i u jej partnerów.
• Uczestnictwo w planowaniu i projektowaniu modeli architektury AI.
• Zarządzanie wymaganiami biznesowymi i współpraca z interesariuszami.
• Definiowanie procesów i procedur zarządzania rozwiązaniami AI uwzględniając dojrzałość organizacji i bezpieczeństwo ich stosowania.
• Optymalizacja jakości i kosztu rozwiązań agentowych – tuning promptów, zarządzanie kontekstem, ewaluacje i testy, obserwowalność (telemetria), kontrola kosztów i opóźnień.
• Data & Model Engineering tam, gdzie potrzebne – trenowanie/testy modeli ML, fine‑tuning i integracja modeli do systemów korporacyjnych (on‑prem i/lub chmura).
• Bezpieczeństwo i zgodność – projektowanie rozwiązań „secure‑by‑design”, spełnienie wymogów branżowych i regulacyjnych (finanse), gotowość audytowa, kontrola uprawnień i ścieżek dostępu.
• Skalowanie udanych prototypów do usług IT.
• Dzielenie się wiedzą i prowadzenie warsztatów powdrożeniowych.
• Realizacja innych powierzonych zadań w ramach Centrum Kompetencyjnego ds. Danych i AI.