Ford Motor Company ist ein in den Vereinigten Staaten ansässiger Automobilhersteller mit einer Geschichte, die bis ins Jahr 1903 zurückreicht. Neben der Entwicklung und Produktion von Fahrzeugen richtet das Unternehmen seinen Fokus zunehmend auf Mobilitätsdienste, digitale Erlebnisse und Software. Zur Arbeit von Ford gehören außerdem Nachhaltigkeitsinitiativen und Umweltziele, die einen Ansatz widerspiegeln, der Verkehr, Innovation, gesellschaftliche Wirkung und verantwortungsvolle Geschäftspraktiken miteinander verbindet.
KI-/ML-Architekt bei Ford Motor Company (hybrid, Indien)
Entwickeln Sie autonome Agenten, Multi-Agenten-Systeme und RAG-Pipelines für den Unternehmenseinsatz. Bringen Sie generative KI mit MLOps, Containern und Vektordatenbanken auf Google Cloud in den Produktivbetrieb.
Beschreibung
- Entwickeln und implementieren Sie autonome und teilweise autonome KI-Agenten für Geschäftsprozesse.
- Entwerfen Sie Multi-Agenten-Architekturen mit Orchestrierung, Aufgabenzerlegung, Planungsschleifen und Kommunikation zwischen Agenten.
- Verbinden Sie Agenten mit Unternehmensplattformen, REST- und GraphQL-APIs, Datenbanken und Google-Cloud-Diensten.
- Entwickeln Sie Funktionen für Kurzzeit-, Langzeit-, episodisches und semantisches Gedächtnis.
- Erstellen, testen, verfeinern und pflegen Sie Prompt-Vorlagen und wiederverwendbare Prompt-Bibliotheken.
- Bewerten, wählen und optimieren Sie Basismodelle, darunter Gemini über die Vertex AI Model Garden.
- Entwickeln und optimieren Sie leistungsstarke RAG-Pipelines mit geringer Latenz, einschließlich Dokumentenaufnahme, Chunking und Erzeugung von Embeddings.
- Integrieren und betreiben Sie skalierbare Vektordatenbanken.
- Bereinigen und bereiten Sie strukturierte und unstrukturierte Daten für die Nutzung auf.
- Richten Sie sichere Google-Cloud-Umgebungen mit Terraform als Infrastructure as Code ein.
- Entwickeln und pflegen Sie CI/CD-Pipelines für automatisierte Tests, Container-Builds und Deployments über verschiedene Umgebungen hinweg.
- Verpacken Sie Anwendungen und Agenten mit Docker und stellen Sie sie anschließend auf GKE oder Cloud Run bereit.
- Richten Sie die Workflow-Orchestrierung mit Tools wie Vertex AI Pipelines oder Cloud Composer/Airflow ein.
- Definieren Sie Kennzahlen und Testpipelines zur Bewertung von Agentenqualität, Latenz, Tokenverbrauch und Halluzinationsraten.
- Ergänzen Sie Inhaltsfilterung, Moderation, Grounding-Prüfungen, Schutz vor Prompt-Injection, Datenschutzkontrollen und Freigabeschritte durch Menschen.
- Richten Sie Produktionsüberwachung, Protokollierung, verteiltes Tracing und Echtzeitwarnungen ein.
- Verbessern Sie Agenten-Workflows, Modelleinstellungen, Caching und Infrastruktur im Hinblick auf Kosten und Leistung.
- Verwalten Sie Git-Branches, Pull Requests und Code-Reviews.
- Arbeiten Sie mit Data Scientists, Softwareentwicklern und Geschäftsteams zusammen, um produktionsreife KI-Lösungen bereitzustellen.
- Dokumentieren Sie Systemarchitektur, Agentenabläufe, Tools, Prompts, Container und Betriebsverfahren.
Anforderungen
- Mindestens drei Jahre Berufserfahrung im Bereich Machine Learning oder KI-Engineering sowie fundierte MLOps-Kenntnisse.
- Ein bis zwei Jahre praktische Erfahrung mit dem Entwurf und der Implementierung produktiver LLM-, generativer KI- oder agentischer Systeme.
- Hervorragende Python-Kenntnisse.
- Erfahrung mit PyTorch, TensorFlow oder Scikit-learn.
- Fundierte theoretische und praktische Kenntnisse in Deep Learning, natürlicher Sprachverarbeitung und Transformer-Architekturen.
- Praktische Erfahrung mit LangChain, LangGraph, LlamaIndex, CrewAI oder Vertex AI Agent Builder.
- Nachgewiesene Erfahrung mit Google Cloud Platform, Docker, Kubernetes/GKE, Cloud Run und Cloud Functions.
- Nachgewiesene Erfahrung mit Vektorindizierung, semantischer Suche, Vertex AI Vector Search, AlloyDB oder vergleichbaren Tools.
- Kenntnisse in SQL- und NoSQL-Datenbanken sowie REST- und GraphQL-APIs.
- Erfahrung mit Terraform, Git und CI/CD-Tools wie Cloud Build, GitLab CI oder Jenkins.
- Erfahrung mit Prometheus, Cloud Logging oder LangSmith sowie mit der Bewertung von Qualität und Sicherheit von LLM-Ausgaben.
- Eine Zertifizierung als Google Cloud Professional Machine Learning Engineer oder Professional Cloud Architect ist sehr wünschenswert.
- Bachelorabschluss oder gleichwertiger Abschluss.