Η NatWest Group είναι ένας οργανισμός τραπεζικών και χρηματοοικονομικών υπηρεσιών με έδρα στο Ηνωμένο Βασίλειο, που εξυπηρετεί ιδιώτες, εμπορικούς και θεσμικούς πελάτες. Η δραστηριότητά της εκτείνεται στους τομείς της τραπεζικής, της χρηματοδότησης και της χρηματοοικονομικής τεχνολογίας, με υπηρεσίες όπως η εμπορική τραπεζική, η διαχείριση περιουσίας και η διαχείριση κινδύνων. Ο όμιλος αναδεικνύει επίσης τις σχέσεις του με τους πελάτες και τις κοινότητες, καθώς και τις ευκαιρίες για ανθρώπους που αναπτύσσουν την καριέρα τους σε ομάδες με επίκεντρο την τραπεζική και την τεχνολογία.
Αντιπρόεδρος, Μηχανικός Μηχανικής Μάθησης στη NatWest Group, Μπανγκαλόρ
Ανάπτυξη λύσεων παραγωγικής και πρακτορικής τεχνητής νοημοσύνης και μηχανικής μάθησης για παραγωγική χρήση. Παράδοση ασφαλών, επεκτάσιμων συστημάτων με MLOps, μηχανική νέφους και αγωγούς δεδομένων.
Περιγραφή
- Καθοδηγεί τον σχεδιασμό και την ανάπτυξη λύσεων τεχνητής νοημοσύνης και μηχανικής μάθησης με χρήση παραγωγικής τεχνητής νοημοσύνης και παραδοσιακών τεχνικών μηχανικής μάθησης.
- Λειτουργεί ως τεχνικός ειδικός στην κατασκευή και ανάπτυξη έτοιμων για παραγωγή συστημάτων μηχανικής μάθησης και τεχνητής νοημοσύνης.
- Προωθεί ισχυρές πρακτικές μηχανικής σε όλη την ομάδα.
- Μετατρέπει τις επιχειρηματικές ανάγκες σε επεκτάσιμες λύσεις μηχανικής μάθησης και τεχνητής νοημοσύνης, σε συνεργασία με επιστήμονες δεδομένων.
- Συνεργάζεται με επιστήμονες δεδομένων, μηχανικούς, αρχιτέκτονες και επιχειρηματικούς ενδιαφερόμενους για την παράδοση ασφαλών και αξιόπιστων προϊόντων.
- Εντοπίζει τρόπους βελτίωσης των πλατφορμών, των εργαλείων και των δυνατοτήτων παράδοσης μηχανικής μάθησης και τεχνητής νοημοσύνης.
- Κατασκευάζει, αναπτύσσει και συντηρεί λύσεις παραγωγής μηχανικής μάθησης, παραγωγικής και πρακτορικής τεχνητής νοημοσύνης.
- Καθιερώνει πρακτικές μηχανικής μάθησης και MLOps, όπως CI/CD, αυτοματοποιημένες δοκιμές, παρακολούθηση μοντέλων και παρατηρησιμότητα.
- Δημιουργεί επεκτάσιμους αγωγούς δεδομένων, ροές εργασιών μηχανικής χαρακτηριστικών και επαναχρησιμοποιήσιμα στοιχεία πλατφόρμας.
- Συμβάλλει στην επαναληπτική παράδοση και στη συνεχή βελτίωση σε ευέλικτες, διαλειτουργικές ομάδες.
- Τηρεί τα πρότυπα μηχανικής, ασφάλειας, διακυβέρνησης, κινδύνου και κανονιστικής συμμόρφωσης σε όλο τον κύκλο ζωής του λογισμικού και των μοντέλων.
- Καθοδηγεί συναδέλφους και παρέχει τεχνική ηγεσία.
Απαιτήσεις
- Εμπειρία στον σχεδιασμό, την κατασκευή και την υποστήριξη λύσεων παραγωγής μηχανικής μάθησης και τεχνητής νοημοσύνης σε σύγχρονο περιβάλλον μηχανικής.
- Προτιμάται πτυχίο ή μεταπτυχιακό σε ποσοτικό ή τεχνικό πεδίο ή στην επιστήμη υπολογιστών, ή ισοδύναμη πρακτική εμπειρία.
- Ισχυρό υπόβαθρο μηχανικής λογισμικού, συμπεριλαμβανομένης της ανάπτυξης για νέφος, της μηχανικής δεδομένων και της λειτουργίας μηχανικής μάθησης.
- Ικανότητα παροχής τεχνικής ηγεσίας, τήρησης μηχανικών προτύπων και καθοδήγησης άλλων.
- Ικανότητα ανεξάρτητης διαχείρισης εργασίας, ανάληψης πρωτοβουλιών και προληπτικής δράσης.
- Αποδεδειγμένο ιστορικό παράδοσης σύνθετων λύσεων μηχανικής μάθησης και τεχνητής νοημοσύνης σε παραγωγή.
- Ικανότητα εξήγησης τεχνικών εννοιών τόσο σε τεχνικό όσο και σε μη τεχνικό κοινό.
- Ισχυρές δεξιότητες μηχανικής λογισμικού, συμπεριλαμβανομένου του αντικειμενοστραφούς προγραμματισμού, της ανάπτυξης API, των πλαισίων δοκιμών, του ελέγχου πηγαίου κώδικα και των σύγχρονων πρακτικών ανάπτυξης.
- Εμπειρία στην ανάπτυξη, την εγκατάσταση και την υποστήριξη λύσεων παραγωγικής και πρακτορικής τεχνητής νοημοσύνης, συμπεριλαμβανομένων πλαισίων ενορχήστρωσης, μεθόδων αξιολόγησης και λειτουργικής παρακολούθησης.
- Εμπειρία σε παραδοσιακές μεθόδους μηχανικής μάθησης.
- Εξειδίκευση στο MLOps, συμπεριλαμβανομένης της ανάπτυξης μοντέλων, του CI/CD, της υποδομής ως κώδικα, της παρατηρησιμότητας, της παρακολούθησης μοντέλων και της βελτιστοποίησης απόδοσης.
- Γνώση Docker και Kubernetes.
- Εμπειρία με AWS, Python, SQL και τεχνολογίες κατανεμημένης επεξεργασίας δεδομένων.
- Ισχυρές δεξιότητες προφορικής και γραπτής επικοινωνίας.
- Χρήσιμη πρόσθετη εμπειρία περιλαμβάνει RAG, σημασιολογική αναζήτηση, διανυσματικές βάσεις δεδομένων, γραφήματα γνώσης, βελτιστοποίηση ανάκτησης, MCP, ενσωματώσεις κλήσης εργαλείων, αξιολόγηση LLM, παρατηρησιμότητα και παρακολούθηση συστημάτων παραγωγής.