AI/ML Engineer

• Foglalkoztatás típusa: teljes munkaidős, alkalmazotti jogviszony keretében
• Munkaidő: heti 40 óra

Feladatok

• End-to-end AI/ML alkalmazások fejlesztése és üzemeltetése: fejlesztés → üzembe helyezés → éles üzem támogatása
• Modell- és adatpipeline-ok felépítése több adattípusra: táblázatos adatok, NLP, képfeldolgozás, idősorok, online learning területeken
• Modellezés klasszikus és deep learning megközelítésekkel: standard ML, DL architektúrák, generatív (pl. GAN) és transformer-alapú megoldások
• Adatelőkészítés: preprocessing, feature engineering, feature extraction a modellezés támogatására
• Generatív/LLM-alapú megoldások fejlesztése: LLM-ekre épülő funkciók, prompt engineering, RAG és információkinyerés jellegű megoldások
• MLOps/DevOps és automatizálás: CI/CD pipeline-ok építése és automatizálása on-premise és felhő környezetben
• Megfigyelhetőség, minőség és dokumentáció: monitorozás, logolás, riasztások; kísérletek/megoldások dokumentálása

Elvárások

• Erős általános programozási alapok (szoftvermérnöki szemlélet, minőségi kód, karbantarthatóság)
• Python + data science eszköztár: Pandas, NumPy, PySpark (és a data science fejlesztéshez szükséges rutin)
• Teljes ML/data science életciklus ismerete: adatgyűjtés → előkészítés → tanítás → kiértékelés → deployment → monitoring; batch és real-time üzemeltetési tapasztalat
• ML/DL alapok + keretrendszerek: klasszikus modellek és deep learning architektúrák ismerete; feature engineering/extraction tapasztalat
• MLOps/DevOps gyakorlatok és eszközök: konténerizáció, mikroszervizek; ML-workflow/MLOps/LLMOps és CI/CD
• Megfigyelhetőség és GenAI alapok: monitoring/logging eszközök + generatív/LLM/multimodális modellek és RAG alapminta, prompt engineering alapok
• Magyar nyelv anyanyelvi szintű ismerete

Előny

• Haladó monitoring & riasztási tapasztalat (Azure Monitoring/Grafana mélyebb használat, metrikák/riasztási szabályok kialakítása)
• Hiperparaméter-optimalizációs eszközök: Optuna, Hyperopt (tuning stratégia és automatizálás)
• NLP és információkinyerés eszköztár: NLTK, SpaCy, Hugging Face, Gensim; retrieval jellegű megoldások gyakorlata
• LLM-specifikus értékelési (eval) módszertanok és keretrendszerek: LLM toolok, LLM eval megközelítések, RAG minőségértékelés

Személyes kompetenciák

• Analitikus gondolkodás és problémamegoldó képesség
• Precizitás és részletekre való odafigyelés
• Kiváló kommunikációs készség (ügyfél- és csapatinterakció)
• Rugalmasság és alkalmazkodóképesség gyorsan változó környezetben
• Csapatmunkára való hajlandóság és együttműködési készség
• Tudásátadásra való nyitottság (mentoring, workshopok)

Jelentkezés

Amennyiben a pozíció felkeltette az érdeklődését, küldje el önéletrajzát a [email protected] e-mail címre, a tárgymezőben kérjük, tüntesse fel a pozíció nevét.