A Johnson & Johnson globális egészségügyi vállalat, amely innovatív gyógyszerek és orvostechnológiai megoldások fejlesztésével foglalkozik. Csapatai az onkológia, az immunológia, az idegtudomány, a szakorvosi szemészet, az intervenciós ellátás és az ortopédia területén dolgoznak, a tudományt és a technológiát ötvözve az összetett egészségügyi szükségletek kezelésére. A vállalat világszerte egészségügyi szolgáltatókat, betegeket és közösségeket támogat, miközben kiemelt figyelmet fordít az egészségügyi egyenlőségre, a környezeti fenntarthatóságra, a sokszínűségre és a befogadásra.
Vezető AI-üzemeltetési mérnök - Milánó, hibrid
A Johnson & Johnsonnál a biztonságos, jól megfigyelhető és költséghatékony AI-üzemeltetésért felel. Milánóban, Madridban és Lisszabonban működő éles AI-alkalmazásokat támogat.
Olaszország48 600 € – 77 395 € / év
HibridTeljes munkaidőSzeniorKötelező Nyelv: angolGépi tanulási mérnökMI-mérnökLeírás
- Átfogó megfigyelhetőség tervezése és bevezetése AI-alkalmazásokhoz és -ügynökökhöz
- A telemetria és az elosztott nyomkövetés szabványosítása az ügynöki munkafolyamatok, API-k, adatszolgáltatások, vektortárolók, modellvégpontok és külső eszközök között
- A rendelkezésre állást, késleltetést, hibákat, megbízhatóságot, minőséget, szabálysértéseket, fogyasztást és szolgáltatásállapotot lefedő irányítópultok és riasztások fejlesztése
- Szolgáltatásszint-mutatók, célkitűzések, hibakeretek, riasztási küszöbök és üzemeltetési készenléti szabványok kialakítása
- Nyomkövetésen alapuló hibakeresés, incidensrekonstrukció és szabályozott munkamenet-visszajátszás támogatása az érzékeny adatok védelme mellett
- A lekérési minőség, az adatok frissessége, a modell- és promptregressziók, a rendellenes ügynöki ciklusok, az eszközök romló működése és az egyéb váratlan futásidejű viselkedés nyomon követése
- Az AI-platformot és a futásidőt érintő incidensek gyökérok-vizsgálatának vezetése, majd megelőző fejlesztések és kontrollok bevezetése
- Újrafelhasználható folyamatok, sablonok és kontrollok létrehozása a konfigurációk, promptok, modellek és ügynökkomponensek verziókezeléséhez
- Automatizált telepítési kapuk, integrációs tesztek, regresszió-ellenőrzés, biztonsági vizsgálatok és megfigyelhetőségi lefedettségi ellenőrzések bevezetése
- Kanári telepítések, funkciójelzők, modell- és szolgáltatói útválasztás, tartalék lehetőségek és visszaállítási eljárások támogatása
- Üzemeltetési eszközök fejlesztése több modellhez, keretrendszerhez, felhőkörnyezethez és ügynökarchitektúrához
- Üzemeltetési kézikönyvek, referenciaimplementációk, mérnöki szabványok és éles támogatási gyakorlatok karbantartása
- Mérés, költségfelosztás, költség-visszaterhelés, költségvetések, küszöbök, anomáliariasztások és futásidejű kontrollok bevezetése az AI-fogyasztáshoz
- Együttműködés a termékcsapatokkal a modellválasztás, az útválasztás, a kontextusméret, a gyorsítótárazás, a kötegelt feldolgozás, az újrapróbálkozások és az eszközhasználat optimalizálásában
- A biztonság, az adatvédelem, a felelős AI, a megfelelőség, az identitás, a hozzáférés-kezelés, a titkok kezelése és az auditálhatóság integrálása az AI-futásidőbe
- Védelem kialakítása promptinjektálás, jailbreak-támadások, jogosulatlan eszközhasználat, túlzott jogosultságok, adatszivárgás, nem biztonságos végrehajtási útvonalak és rendellenes hozzáférés ellen
- Üzemeltetési eljárások meghatározása a monitorozáshoz, támogatáshoz, incidensekhez, problémákhoz, változásokhoz, eszkalációkhoz és szolgáltatás-helyreállításhoz
- Éles üzemre való felkészülési ellenőrzőlisták, elfogadási kritériumok, ügyeleti kézikönyvek, eszkalációs útvonalak, helyreállítási eljárások és üzletmenet-folytonossági követelmények létrehozása
- Az üzemeltetési folyamatok automatizálása a rekonstrukciós munka csökkentése, valamint az észlelés, diagnosztika, elszigetelés és helyreállítás felgyorsítása érdekében
- Műszaki dokumentáció készítése és a mérnöki csapatok támogatása a jóváhagyott üzemeltetési gyakorlatokban
- Az AI-, platform-, felhő-, adat-, architektúra-, kiberbiztonsági-, adatvédelmi-, megfelelőségi- és szolgáltatásmenedzsment-csapatok összekapcsolása műszaki kapcsolattartóként
- KPI-k meghatározása és nyomon követése a megbízhatóság, a megfigyelhetőség, az incidensek teljesítménye, a költséghatékonyság, a kontrolllefedettség, az auditbizonyítékok és a platformelfogadás területén
- Az üzemeltetési adatok felhasználása az automatizálás, a megbízhatóság javítása, a költségoptimalizálás és a kockázatcsökkentés priorizálására
Követelmények
- Informatikai, mérnöki, mesterséges intelligencia vagy kapcsolódó területen szerzett alap- vagy mesterfokú végzettség, illetve ezzel egyenértékű releváns tapasztalat
- Legalább öt év gyakorlati tapasztalat platformmérnöki, site reliability engineering, DevOps, DevSecOps, MLOps vagy élő szolgáltatások tulajdonjogával járó éles szoftvermérnöki munkában
- Gépi tanulási, generatív AI- vagy ügynökalapú rendszerek éles üzemeltetésében szerzett gyakorlati tapasztalat
- Python, API-k, infrastruktúrakód és olyan CI/CD-eszközök gyakorlati ismerete, mint a Terraform, a GitHub Actions vagy az Azure DevOps
- Felhőnatív platformokkal, konténerekkel, vezényléssel és vállalati felhőszolgáltatásokkal szerzett tapasztalat; az Azure-ismeret kiemelten előnyös
- Naplók, metrikák, elosztott nyomkövetések, irányítópultok és riasztások segítségével megvalósított megfigyelhetőségi tapasztalat; az OpenTelemetry vagy hasonló szabványok ismerete előny
- Az LLM-alkalmazási minták erős ismerete, beleértve a RAG-ot, a vektortárolókat, a modellátjárókat, az eszközhívást, az ügynökmemóriát és a többügynökös vezénylést
- Az identitás- és hozzáférés-kezelés, a titkok kezelése, a biztonságos naplózás, a fenyegetésmodellezés, a beépített adatvédelem és az auditkontrollok gyakorlati ismerete
- Képesség a nem egyértelmű üzemeltetési és kontrolligények újrafelhasználható műszaki képességekké, szabványokká, automatizálássá és kézikönyvekké alakítására
- Erős érdekeltfél-kezelési, műszaki kommunikációs és dokumentációs készségek
- Szabályozott iparágban szerzett tapasztalat, ahol formális biztonsági, adatvédelmi, minőségi, validációs, kockázati vagy auditkövetelmények vannak, előny
- Az Azure OpenAI, az Azure AI Foundry, az Azure Monitor, az Application Insights, a Microsoft Fabric vagy hasonló felhőszolgáltatások gyakorlati ismerete előny
- AI-megfigyelhetőségi vagy -értékelési platformokkal, például a Langfuse-zal, a LangSmith-szel, az Arize-zal, az MLflow-val vagy egyenértékű eszközökkel szerzett tapasztalat előny
- Több modell-szolgáltató, többfelhős szolgáltatás vagy ügynöki keretrendszer üzemeltetésében szerzett tapasztalat előny
- A FinOps, a felhőköltségek felosztása, a költségvetés-tervezés és az AI-munkaterhelések egységgazdaságosságának mérése terén szerzett ismeret előny
- Vállalati platformokhoz kapcsolódó szolgáltatásszint-célok, ügyeleti modellek, incidenskezelés és üzemeltetési készenléti kapuk meghatározásában szerzett tapasztalat előny
Juttatások
- Éves bónusz, amelynek célértékét a fizetési fokozat és a helyszín alapján határozzák meg, az egyéni és vállalati teljesítmény figyelembevételével
- Szabadságra való jogosultság
- Legalább 12 hét szülői szabadság
- Gyászszabadság
- Gondozói szabadság
- Önkéntes szabadság
- Jólléti költségtérítés
- Pénzügyi, fizikai és mentális egészségprogramok
- Szolgálati évfordulós és elismerési díjak
- Biztosítási tervek a munkavállalók, valamint egyes helyszíneken a jogosult eltartottak számára