Senior Data Scientist

Square One Resources; Warszawa; On-site; PLN 200,000 - 360,000; Full time

Job summary

Square One Resources prowadzi projekt GenAI w zakresie zaawansowanych rozwiązań opartych o LLM, RAG i AI Agents. Doświadczony specjalista DS/AI będzie projektować architekturę GenAI i wybierać modele LLM oraz podejścia prowadzące do produkcyjnych rozwiązań.

Poszukujemy eksperta z min. 6 lat w Data Science/AI, z silnym Pythonem i udokumentowanym doświadczeniem w pipeline'ach RAG, ocenianiu LLM, guardrails i chmurze (Azure/AWS/GCP).

Qualifications

• Minimum 6 lat doświadczenia w Data Science / AI Engineering.
• Minimum 4 lata komercyjnego doświadczenia z Pythonem, w tym tworzeniem kodu produkcyjnego.
• Minimum 2 lata doświadczenia z produkcyjnymi rozwiązaniami opartymi o LLM.
• Praktyczne doświadczenie z RAG i budowaniem produkcyjnych pipeline'ów.
• Bardzo dobra znajomość LLM, Generative AI, chatbotów oraz AI Agents.
• Doświadczenie z LangChain, LangGraph, LlamaIndex lub podobnymi frameworkami.
• Praktyczne doświadczenie z MCP (Model Context Protocol) – MCP servers / clients.
• Znajomość LLM evaluation, evaluators, validators oraz guardrails.
• Bardzo dobra znajomość Python i doświadczenie w tworzeniu skalowalnego, testowalnego kodu produkcyjnego.
• Dobre zrozumienie Machine Learning / AI, algorytmów, cyklu życia modeli oraz architektury rozwiązań AI.
• Doświadczenie z rozwiązaniami chmurowymi – preferowany Azure, ale akceptowane są również AWS lub GCP.
• Znajomość CI/CD, testowania oraz konteneryzacji.
• Bardzo dobra znajomość języka angielskiego.
• Samodzielność, umiejętność analitycznego myślenia i rozwiązywania złożonych problemów.
• Umiejętność współpracy z zespołami technicznymi i biznesowymi.

Responsibilities

• Projektowanie architektury rozwiązań GenAI na podstawie potrzeb biznesowych i technicznych.
• Dobór odpowiednich modeli LLM oraz podejścia – m.in. RAG, fine-tuning, agents czy prompt engineering.
• Budowanie aplikacji GenAI end-to-end – od ingestii danych, przez retrieval i orchestration, po backend, API i prosty interfejs użytkownika.
• Projektowanie i rozwój zaawansowanych pipeline'ów RAG, obejmujących m.in. vector databases, hybrid search, reranking oraz query transformation.
• Praca z frameworkami takimi jak LangChain, LangGraph, LlamaIndex lub podobnymi.
• Projektowanie i rozwój AI Agents oraz rozwiązań agentic AI.
• Implementacja i wykorzystanie MCP (Model Context Protocol) – zarówno po stronie serwerów, jak i klientów.
• Dobór modeli, prompt engineering oraz fine-tuning z wykorzystaniem m.in. LoRA, QLoRA czy SFT.
• Tworzenie mechanizmów oceny jakości modeli i aplikacji LLM, w tym LLM evaluators, validators, A/B testing oraz evaluation frameworks.
• Implementacja mechanizmów guardrails, safety, PII handling, audit logs oraz human-in-the-loop.
• Budowanie produkcyjnego kodu w Pythonie z wykorzystaniem dobrych praktyk dotyczących testowania, packagingu i jakości kodu.
• Współpraca z Data Engineers, Data Scientists, Software Engineers oraz Product Ownerami.
• Udział w projektowaniu skalowalnych architektur, integracji enterprise oraz rozwiązań spełniających wymagania dotyczące wydajności i SLA.
• Analiza wymagań technicznych, estymowanie prac oraz prowadzenie discovery.
• Tworzenie PoC i eksperymentowanie z nowymi rozwiązaniami z obszaru GenAI.
• Dzielenie się wiedzą oraz mentoring mniej doświadczonych osób.
• Tworzenie reusable components, bibliotek i wewnętrznych template'ów.

Skills

Data Science

AI Engineering

Python

LLM Production

RAG

Prompt Engineering

Analytical Thinking

Team Collaboration

Tools

LangChain

LangGraph

LlamaIndex

MCP

CI/CD

Docker

Kubernetes

Azure

AWS

GCP

Job description

O projekcie:

W ramach projektu będziesz pracować nad zaawansowanymi rozwiązaniami opartymi o Large Language Models, w tym chatbotami, systemami RAG oraz rozwiązaniami wykorzystującymi AI Agents.

Rola łączy kompetencje z obszaru Data Science, AI Engineering, Software Engineering oraz GenAI. Duży nacisk położony jest na jakość, bezpieczeństwo, skalowalność i gotowość rozwiązań do działania w środowisku produkcyjnym.

Wymagania:

• Minimum 6 lat doświadczenia w Data Science / AI Engineering.
• Minimum 4 lata komercyjnego doświadczenia z Pythonem, w tym tworzeniem kodu produkcyjnego.
• Minimum 2 lata doświadczenia z produkcyjnymi rozwiązaniami opartymi o LLM.
• Praktyczne doświadczenie z RAG i budowaniem produkcyjnych pipeline'ów.
• Bardzo dobra znajomość LLM, Generative AI, chatbotów oraz AI Agents.
• Doświadczenie z LangChain, LangGraph, LlamaIndex lub podobnymi frameworkami.
• Praktyczne doświadczenie z MCP (Model Context Protocol) – MCP servers / clients.
• Znajomość LLM evaluation, evaluators, validators oraz guardrails.
• Bardzo dobra znajomość Python i doświadczenie w tworzeniu skalowalnego, testowalnego kodu produkcyjnego.
• Dobre zrozumienie Machine Learning / AI, algorytmów, cyklu życia modeli oraz architektury rozwiązań AI.
• Doświadczenie z rozwiązaniami chmurowymi – preferowany Azure, ale akceptowane są również AWS lub GCP.
• Znajomość CI/CD, testowania oraz konteneryzacji.
• Bardzo dobra znajomość języka angielskiego.
• Samodzielność, umiejętność analitycznego myślenia i rozwiązywania złożonych problemów.
• Umiejętność współpracy z zespołami technicznymi i biznesowymi.

Codzienne zadania:

• Projektowanie architektury rozwiązań GenAI na podstawie potrzeb biznesowych i technicznych.
• Dobór odpowiednich modeli LLM oraz podejścia – m.in. RAG, fine-tuning, agents czy prompt engineering.
• Budowanie aplikacji GenAI end-to-end – od ingestii danych, przez retrieval i orchestration, po backend, API i prosty interfejs użytkownika.
• Projektowanie i rozwój zaawansowanych pipeline'ów RAG, obejmujących m.in. vector databases, hybrid search, reranking oraz query transformation.
• Praca z frameworkami takimi jak LangChain, LangGraph, LlamaIndex lub podobnymi.
• Projektowanie i rozwój AI Agents oraz rozwiązań agentic AI.
• Implementacja i wykorzystanie MCP (Model Context Protocol) – zarówno po stronie serwerów, jak i klientów.
• Dobór modeli, prompt engineering oraz fine-tuning z wykorzystaniem m.in. LoRA, QLoRA czy SFT.
• Tworzenie mechanizmów oceny jakości modeli i aplikacji LLM, w tym LLM evaluators, validators, A/B testing oraz evaluation frameworks.
• Implementacja mechanizmów guardrails, safety, PII handling, audit logs oraz human-in-the-loop.
• Budowanie produkcyjnego kodu w Pythonie z wykorzystaniem dobrych praktyk dotyczących testowania, packagingu i jakości kodu.
• Współpraca z Data Engineers, Data Scientists, Software Engineers oraz Product Ownerami.
• Udział w projektowaniu skalowalnych architektur, integracji enterprise oraz rozwiązań spełniających wymagania dotyczące wydajności i SLA.
• Analiza wymagań technicznych, estymowanie prac oraz prowadzenie discovery.
• Tworzenie PoC i eksperymentowanie z nowymi rozwiązaniami z obszaru GenAI.
• Dzielenie się wiedzą oraz mentoring mniej doświadczonych osób.
• Tworzenie reusable components, bibliotek i wewnętrznych template'ów.