Ang Ford Motor Company ay isang tagagawa ng sasakyan na nakabase sa Estados Unidos at may kasaysayang nagsimula noong 1903. Bukod sa pagbuo at paggawa ng mga sasakyan, pinalalawak ng kumpanya ang pagtutuon nito sa mga serbisyo sa mobility, mga digital na karanasan, at software. Kabilang din sa gawain ng Ford ang mga pagsisikap para sa sustainability at mga target sa kapaligiran, na nagpapakita ng pamamaraang nag-uugnay sa transportasyon, inobasyon, epekto sa komunidad, at responsableng mga gawain sa negosyo.
Arkitek ng AI/ML sa Ford Motor Company (Hybrid, India)
Bumuo ng mga autonomous agent, multi-agent system, at retrieval-augmented generation pipeline para sa mga negosyo. Mag-deploy ng generative AI sa Google Cloud gamit ang MLOps, mga container, at vector database.
Paglalarawan
- Bumuo at mag-deploy ng mga autonomous at semi-autonomous na AI agent para sa mga proseso ng negosyo.
- Magdisenyo ng mga multi-agent architecture na may orchestration, paghahati-hati ng gawain, mga planning loop, at komunikasyon sa pagitan ng mga agent.
- Ikonekta ang mga agent sa mga platform ng negosyo, REST at GraphQL API, database, at serbisyo ng Google Cloud.
- Bumuo ng mga kakayahan sa panandalian, pangmatagalan, episodic, at semantic na memorya.
- Gumawa, sumubok, magpahusay, at magpanatili ng mga prompt template at muling magagamit na prompt library.
- Suriin, piliin, at i-fine-tune ang mga foundation model, kabilang ang Gemini sa pamamagitan ng Vertex AI Model Garden.
- Bumuo at mag-tune ng mga RAG pipeline na mataas ang throughput at mababa ang latency, kabilang ang pag-ingest ng dokumento, paghahati ng teksto, at pagbuo ng embedding.
- Isama at patakbuhin ang mga vector database na nasusukat.
- Linisin at ihanda ang structured at unstructured na data para magamit.
- Maglaan ng mga secure na Google Cloud environment gamit ang Terraform bilang infrastructure as code.
- Bumuo at magpanatili ng mga CI/CD pipeline para sa mga awtomatikong test, pagbuo ng container, at deployment sa iba’t ibang environment.
- I-package ang mga application at agent gamit ang Docker, pagkatapos ay i-deploy ang mga ito sa GKE o Cloud Run.
- Mag-set up ng workflow orchestration gamit ang mga tool gaya ng Vertex AI Pipelines o Cloud Composer/Airflow.
- Magtakda ng mga sukatan at testing pipeline para tasahin ang kalidad ng agent, latency, paggamit ng token, at mga rate ng hallucination.
- Magdagdag ng pag-filter ng content, moderation, grounding check, depensa laban sa prompt injection, mga kontrol sa privacy, at mga yugto ng pagsusuri ng tao.
- Mag-set up ng production monitoring, mga log, distributed tracing, at mga alertong real-time.
- Pagandahin ang mga workflow ng agent, setting ng model, caching, at imprastraktura para sa gastos at performance.
- Pamahalaan ang mga Git branch, pull request, at code review.
- Makipagtulungan sa mga data scientist, software engineer, at pangkat ng negosyo para maghatid ng mga AI solution na handa para sa production.
- Idokumento ang system architecture, mga daloy ng agent, tool, prompt, container, at mga pamamaraan sa pagpapatakbo.
Mga Kinakailangan
- May hindi bababa sa tatlong taong propesyonal na karanasan sa machine learning o AI engineering, na may matibay na pundasyon sa MLOps.
- May isa hanggang dalawang taong praktikal na karanasan sa pagdidisenyo at pag-deploy ng mga LLM, generative AI, o agentic system sa production.
- Dalubhasa sa Python.
- May karanasan sa PyTorch, TensorFlow, o Scikit-learn.
- May matibay na kaalaman sa teorya at praktika ng deep learning, natural language processing, at mga arkitekturang Transformer.
- May praktikal na karanasan sa LangChain, LangGraph, LlamaIndex, CrewAI, o Vertex AI Agent Builder.
- May napatunayang karanasan sa Google Cloud Platform, Docker, Kubernetes/GKE, Cloud Run, at Cloud Functions.
- May napatunayang karanasan sa vector indexing, semantic search, Vertex AI Vector Search, AlloyDB, o mga katulad na tool.
- May kaalaman sa mga SQL at NoSQL database, REST API, at GraphQL API.
- May karanasan sa Terraform, Git, at mga CI/CD tool gaya ng Cloud Build, GitLab CI, o Jenkins.
- May karanasan sa Prometheus, Cloud Logging, o LangSmith, at sa pagsusuri ng kalidad at kaligtasan ng output ng LLM.
- Lubos na kanais-nais ang sertipikasyong Google Cloud Professional Machine Learning Engineer o Professional Cloud Architect.
- May bachelor’s degree o katumbas na kwalipikasyon.