A Ford Motor Company egy Egyesült Államokban működő autógyártó vállalat, amelynek története 1903-ig nyúlik vissza. A járművek fejlesztése és gyártása mellett a vállalat egyre nagyobb hangsúlyt helyez a mobilitási szolgáltatásokra, a digitális élményekre és a szoftverekre. A Ford tevékenységei a fenntarthatósági törekvéseket és a környezetvédelmi célokat is magukban foglalják, olyan megközelítést tükrözve, amely összekapcsolja a közlekedést, az innovációt, a közösségi hatást és a felelős üzleti gyakorlatokat.
AI/ML-architektus a Ford Motor Companynál (hibrid munkavégzés, India)
Vállalati felhasználásra autonóm ügynököket, többügynökös rendszereket és RAG-folyamatokat fejleszt. Éles generatív AI-megoldásokat telepít Google Cloudra MLOps, konténerek és vektoradatbázisok használatával.
Leírás
- Autonóm és részben autonóm AI-ügynököket fejleszt és telepít vállalati folyamatokhoz.
- Többügynökös architektúrákat tervez összehangolással, feladatbontással, tervezési ciklusokkal és az ügynökök közötti kommunikációval.
- Az ügynököket vállalati platformokhoz, REST- és GraphQL-API-khoz, adatbázisokhoz és Google Cloud-szolgáltatásokhoz kapcsolja.
- Rövid és hosszú távú, epizodikus és szemantikus memóriaképességeket épít ki.
- Prompt-sablonokat és újrafelhasználható promptgyűjteményeket hoz létre, tesztel, finomít és tart karban.
- Felméreti, kiválasztja és finomhangolja az alapmodelleket, többek között a Vertex AI Model Gardenen keresztül elérhető Geminit.
- Nagy áteresztőképességű, alacsony késleltetésű RAG-folyamatokat épít és hangol, beleértve a dokumentumok betöltését, darabolását és a beágyazások létrehozását.
- Skálázható vektoradatbázisokat integrál és üzemeltet.
- Felhasználásra alkalmas állapotba hozza a strukturált és strukturálatlan adatokat.
- Biztonságos Google Cloud-környezeteket épít ki Terraform-alapú infrastruktúra-kóddal.
- Automatizált teszteléshez, konténerképek készítéséhez és a különböző környezetekbe történő telepítéshez CI/CD-folyamatokat épít és tart karban.
- Az alkalmazásokat és ügynököket Dockerrel csomagolja, majd GKE-re vagy Cloud Runra telepíti.
- Munkafolyamatok összehangolását állítja be például a Vertex AI Pipelines vagy a Cloud Composer/Airflow használatával.
- Mérőszámokat és tesztelési folyamatokat határoz meg az ügynökök minőségének, késleltetésének, tokenhasználatának és hallucinációs arányának értékelésére.
- Tartalomszűrést, moderálást, megalapozottság-ellenőrzést, promptinjekció elleni védelmet, adatvédelmi szabályozást és emberi felülvizsgálati pontokat épít be.
- Éles környezethez felügyeletet, naplózást, elosztott nyomkövetést és valós idejű riasztásokat állít be.
- A költségek és a teljesítmény javítása érdekében optimalizálja az ügynökök munkafolyamatait, a modellbeállításokat, a gyorsítótárazást és az infrastruktúrát.
- Git-ágakat, pull requesteket és kódellenőrzéseket kezel.
- Adattudósokkal, szoftvermérnökökkel és üzleti csapatokkal együttműködve éles használatra kész AI-megoldásokat szállít.
- Dokumentálja a rendszerarchitektúrát, az ügynökök folyamatait, az eszközöket, a promptokat, a konténereket és az üzemeltetési eljárásokat.
Követelmények
- Legalább három év szakmai tapasztalat gépi tanulás vagy AI-mérnöki munka területén, szilárd MLOps-alapokkal.
- Egy-két év gyakorlati tapasztalat éles LLM-, generatív AI- vagy ügynökalapú rendszerek tervezésében és telepítésében.
- Magas szintű Python-ismeret.
- Tapasztalat a PyTorch, a TensorFlow vagy a Scikit-learn használatában.
- A mélytanulás, a természetesnyelv-feldolgozás és a Transformer-architektúrák elméleti és gyakorlati ismerete.
- Gyakorlati tapasztalat a LangChain, a LangGraph, a LlamaIndex, a CrewAI vagy a Vertex AI Agent Builder használatában.
- Igazolt tapasztalat a Google Cloud Platform, a Docker, a Kubernetes/GKE, a Cloud Run és a Cloud Functions használatában.
- Igazolt tapasztalat vektorindexeléssel, szemantikus kereséssel, a Vertex AI Vector Search, az AlloyDB vagy hasonló eszközök használatával.
- SQL- és NoSQL-adatbázisok, REST-API-k és GraphQL-API-k ismerete.
- Tapasztalat Terraformmal, Gittel és CI/CD-eszközökkel, például a Cloud Builddel, a GitLab CI-vel vagy a Jenkinsszel.
- Tapasztalat a Prometheus, a Cloud Logging vagy a LangSmith használatában, valamint az LLM-kimenetek minőségének és biztonságának értékelésében.
- Kiemelten előnyös a Google Cloud Professional Machine Learning Engineer vagy Professional Cloud Architect tanúsítvány.
- Alapképzéses diploma vagy azzal egyenértékű végzettség.