Ang Johnson & Johnson ay isang pandaigdigang kompanya sa pangangalagang pangkalusugan na nagtatrabaho sa larangan ng makabagong medisina at teknolohiyang medikal. Bumubuo ang mga koponan nito ng mga solusyon sa onkolohiya, immunolohiya, neuroscience, espesyal na ophthalmology, interventional care, at orthopaedics, na pinagsasama ang agham at teknolohiya upang tugunan ang mga kumplikadong pangangailangan sa kalusugan. Binibigyang-diin din ng kompanya ang pagkakapantay-pantay sa kalusugan, pagpapanatili ng kapaligiran, pagkakaiba-iba, at inklusyon habang naglilingkod sa mga provider, pasyente, at komunidad sa buong mundo.
Pangunahing Inhinyero sa Operasyon ng AI - Hybrid sa Milan
Pangunahing Inhinyero sa Operasyon ng AI na responsable sa ligtas, nasusubaybayan, at matipid na operasyon ng AI sa Johnson & Johnson. Sinusuportahan ng tungkulin ang mga production AI application sa Milan, Madrid, at Lisbon.
Paglalarawan
- Magdisenyo at maghatid ng komprehensibong observability para sa mga AI application at agent
- I-standardize ang telemetry at distributed tracing sa mga workflow ng agent, API, data service, vector store, model endpoint, at external tool
- Bumuo ng mga dashboard at alert na sumasaklaw sa availability, latency, error, reliability, quality, paglabag sa patakaran, consumption, at kalusugan ng serbisyo
- Magtatag ng service-level indicator, objective, error budget, alert threshold, at pamantayan sa operational readiness
- Suportahan ang trace-based debugging, reconstruction ng insidente, at kontroladong session replay habang pinoprotektahan ang sensitibong data
- Subaybayan ang retrieval quality, freshness ng data, regression ng model at prompt, abnormal na loop ng agent, paghina ng tool, at iba pang hindi inaasahang runtime behavior
- Pangunahan ang root-cause investigation para sa mga insidente ng AI platform at runtime, pagkatapos ay magpatupad ng mga preventive improvement at control
- Bumuo ng reusable pipeline, template, at control para sa versioning ng configuration, prompt, model, at component ng agent
- Magpakilala ng automated deployment gate, integration testing, regression validation, security check, at observability-coverage check
- Suportahan ang canary deployment, feature flag, model at provider routing, fallback option, at rollback procedure
- Bumuo ng operational tooling para sa maraming model, framework, cloud environment, at agent architecture
- Panatilihin ang runbook, reference implementation, engineering standard, at production-support practice
- Magpatupad ng metering, allocation, showback, budget, threshold, anomaly alert, at runtime control para sa AI consumption
- Makipagtulungan sa mga product team upang i-optimize ang pagpili ng model, routing, laki ng context, caching, batching, retry, at paggamit ng tool
- Isama ang seguridad, privacy, Responsible AI, compliance, identity, access management, paghawak ng secret, at auditability sa AI runtime
- Bumuo ng proteksyon laban sa prompt injection, jailbreak, hindi awtorisadong paggamit ng tool, labis na permission, data leakage, hindi ligtas na execution path, at abnormal na access
- Tukuyin ang mga operating procedure para sa monitoring, support, insidente, problema, pagbabago, escalation, at service recovery
- Gumawa ng production-readiness checklist, acceptance criteria, on-call runbook, escalation route, recovery procedure, at business-continuity requirement
- I-automate ang mga operational process upang mabawasan ang reconstruction work at mapabilis ang detection, diagnosis, containment, at recovery
- Maghanda ng teknikal na dokumentasyon at mag-coach ng mga engineering team sa mga aprubadong operational practice
- Pag-ugnayin ang mga team ng AI, platform, cloud, data, architecture, cybersecurity, privacy, compliance, at service management bilang technical liaison
- Tukuyin at subaybayan ang KPI para sa reliability, observability, performance ng insidente, cost efficiency, control coverage, audit evidence, at platform adoption
- Gamitin ang operational data upang unahin ang automation, pagtaas ng reliability, cost optimization, at risk reduction
Mga Kinakailangan
- Bachelor’s o master’s degree sa computer science, engineering, artificial intelligence, o kaugnay na larangan, o katumbas na may-kaugnayang karanasan
- Hindi bababa sa limang taong hands-on na karanasan sa platform engineering, site reliability engineering, DevOps, DevSecOps, MLOps, o production software engineering na may pagmamay-ari ng live service
- Praktikal na karanasan sa pagpapatakbo ng machine learning, generative AI, o agentic system sa production
- Hands-on na kasanayan sa Python, API, infrastructure as code, at CI/CD tool gaya ng Terraform, GitHub Actions, o Azure DevOps
- Karanasan sa cloud-native platform, container, orchestration, at enterprise cloud service; lubos na pinahahalagahan ang karanasan sa Azure
- Karanasan sa pagpapatupad ng observability gamit ang log, metric, distributed trace, dashboard, at alert; mas gusto ang OpenTelemetry o katumbas na pamantayan
- Malalim na pag-unawa sa mga pattern ng LLM application, kabilang ang RAG, vector store, model gateway, tool calling, agent memory, at multi-agent orchestration
- Praktikal na kaalaman sa identity at access management, secrets management, secure logging, threat modeling, privacy by design, at audit control
- Kakayahang gawing reusable technical capability, standard, automation, at runbook ang hindi malinaw na pangangailangan sa operasyon at control
- Malakas na kakayahan sa stakeholder management, teknikal na komunikasyon, at dokumentasyon
- Mas gusto ang karanasan sa mga regulated industry na may pormal na requirement sa seguridad, privacy, quality, validation, risk, o audit
- Mas gusto ang hands-on na karanasan sa Azure OpenAI, Azure AI Foundry, Azure Monitor, Application Insights, Microsoft Fabric, o katumbas na cloud service
- Mas gusto ang karanasan sa AI observability o evaluation platform gaya ng Langfuse, LangSmith, Arize, MLflow, o katumbas na tool
- Mas gusto ang karanasan sa pagpapatakbo ng maraming model provider, multi-cloud service, o agent framework
- Mas gusto ang kaalaman sa FinOps, cloud cost allocation, budgeting, at pagsukat ng unit economics ng AI workload
- Mas gusto ang karanasan sa pagtukoy ng service-level objective, on-call model, incident management, at operational-readiness gate para sa enterprise platform
Mga Benepisyo
- Taunang bonus na may target na tinutukoy batay sa pay grade at lokasyon, batay sa performance ng indibidwal at kumpanya
- Karapatang magbakasyon
- Hindi bababa sa 12 linggong parental leave
- Leave para sa pagluluksa
- Leave para sa caregiver
- Volunteer leave
- Reimbursement para sa well-being
- Mga programa para sa pinansyal, pisikal, at mental na kalusugan
- Mga award para sa anibersaryo ng serbisyo at pagkilala
- Mga insurance plan para sa mga empleyado at, sa ilang lokasyon, mga kwalipikadong dependent