AI-инженер по LLM-пайплайнам и агентам

Autonomize AI — платформа корпоративного интеллекта, меняющая то, как медицинские организации получают доступ к сложным операционным и клиническим знаниям, систематизируют их и действуют на их основе. Компания отмечена как Technology Pioneer 2026 Всемирного экономического форума, входит в топ-100 Inc. 5000, ей доверяют три из пяти крупнейших медицинских организаций США. Autonomize AI объединяет AI-агентов для здравоохранения, workflow-интеллект и глубокую отраслевую экспертизу для более обоснованных решений в utilization management, care management, claims, pharmacy и appeals. Среди инвесторов: Valtruis, Asset Management Ventures, Cigna Group Ventures, ATX Venture Partners и другие. Компания создаёт инфраструктуру для AI-native операций в здравоохранении и быстро растёт.

Роль предполагает практическую работу над реальными приложениями, а не только над бенчмарками: нужно строить и оптимизировать AI-native системы для медицинских агентов и копилотов, сочетая LLM, vision-модели и классический ML на структурированных и неструктурированных данных, от retrieval до routing и генерации.

Задачи

• Строить продакшн AI-пайплайны и владеть их оптимизацией: комбинация LLM и классического ML (RAG, извлечение, скоринг, суммаризация, классификация) для utilization management, payment integrity, claims и appeals.
• Реализовывать VLM- и OCR-пайплайны, превращающие медицинские документы, факсы и формы в структурированные надёжные данные.
• Проводить эксперименты по SFT и параметр-эффективному дообучению (например, LoRA) открытых и проприетарных моделей.
• Строить стратегии retrieval, цепочки промптов, агентов с инструментами и оркестрацию инференса (например, LangGraph) для продакшн-сценариев.
• Создавать eval-харнессы и тестовые наборы, проводить анализ ошибок и превращать выводы в измеримый рост точности.
• Отслеживать и улучшать качество моделей, задержку, стоимость, объяснимость и безопасность в продакшене.
• Быстро прототипировать новые техники из свежих исследований и помогать определять, что готово к продакшену.
• Работать в тесной связке с senior MLE, продуктом, инженерами и отраслевыми экспертами, понятно документировать работу.

Требования

• 2+ года опыта в прикладном ML и LLM.
• Уверенный Python и знакомство с PyTorch, Hugging Face Transformers и LLM-фреймворками (LangChain, LangGraph, LlamaIndex).
• Уверенная работа с эмбеддингами, векторным поиском, retrieval-пайплайнами и промпт-инжинирингом.
• Опыт дообучения или адаптации моделей, а также рабочее знание классического ML и NLP.
• Понимание оценки моделей, observability и практик ответственного AI.
• Опыт деплоя моделей в продакшн и знакомство с MLOps-инструментами (MLflow, Docker, Kubernetes).
• Крепкие основы software engineering, чистый и тестируемый код.
• Настрой на эксперименты, ясность и быстрый релиз.
• Опыт работы с healthcare, данными, чувствительными к комплаенсу, или в регулируемых средах.
• Степень BS/MS в Computer Science, Engineering, Data Science или смежной области либо эквивалентный опыт.

Будет плюсом

• Опыт с VLM или document AI.
• Знакомство с workflow плательщиков в здравоохранении (UM, claims, prior authorization, medical coding).
• Опыт с агентными фреймворками или системами многошаговых рассуждений.
• Вклад в open source, сайд-проекты или технические тексты.

Личные качества

• Ощущение ответственности: доводит задачу до конца, разбирается в ней самостоятельно.
• Естественная любознательность: предпочитает эксперимент гипотезе.
• Вовлечённость в команду и миссию.
• Командность: готов учиться и побеждать вместе.
• Сильные коммуникативные навыки в голосе, письме, чате и на видео.

Условия

• Реальное влияние: модели работают в продакшене у крупнейших медицинских организаций США и влияют на решения в prior authorization, claims и appeals.
• Категорийные AI-продукты: участие в построении AI-операционного слоя для здравоохранения, где правила ещё формируются.
• Сложные нерешённые ML-задачи: понимание документов VLM на грязных реальных факсах, агентные рассуждения по клинической политике, доменное дообучение (SFT, LoRA, RL), модели, обучающиеся на обратной связи экспертов в продакшене.
• Быстрый путь от исследования к продакшену: прочитать статью, сделать прототип, выпустить в релиз; новые идеи доходят до клиентов за недели, а не кварталы.
• Значительная самостоятельность и влияние на AI-стратегию, а не только её исполнение.
• Современный стек и вычисления: доступ к GPU-ресурсам и последним открытым и frontier-моделям.