Geometry - Enterprise Intelligence компания, работающая с крупнейшими организациями Казахстана (гос, квазигос, крупный бизнес).
Мы строим системы нового поколения: объединяем данные, процессы и AI в единый контур управления - от data backbone (DWH, интеграции, BI) до прикладных AI-систем, которые принимают решения и встраиваются в операционные процессы компаний.
Сейчас мы усиливаем AI-направление и ищем senior инженера, который будет создавать не прототипы, а реальные production-системы: от архитектуры до внедрения в сложную корпоративную среду.
О роли
Мы ищем senior инженера, который будет лидить разработку и внедрение AI-систем в enterprise-процессы (гос, квазигос, холдинги).
Это не research и не “чат-боты”.
Это production-системы, которые:
* читают реальные данные (документы, заявки, отчёты)
* принимают решения / дают заключения
* встраиваются в существующие порталы и workflow
* работают on-premise и под требования безопасности
Что нужно делать
* Проектировать и реализовывать end-to-end AI-системы:
* ingestion → обработка → reasoning → output → интеграция в workflow
* Встраивать LLM/ML в реальные процессы:
* анализ заявок / документов
* генерация заключений
* ассистирование decision-making
* Строить AI-оркестрацию:
* агенты, пайплайны, multi-step reasoning
* интеграция с backend-сервисами и API
* Работать с данными:
* структурированные + неструктурированные (PDF, формы, таблицы)
* Оптимизировать:
* latency
* стоимость инференса
* точность (evaluation, feedback loops)
* Деплой и эксплуатация:
* on-prem / private cloud
* работа с локальными LLM
* Лидить технические решения и архитектуру AI-части проектов
Кого мы ищем
Человек, который понимает AI как систему, а не как модель.
Обязательный стек
* Python (очень уверенно)
* Опыт с LLM:
* OpenAI / open-source (Llama, Mistral и т.д.)
* prompt engineering + system design
* Опыт построения пайплайнов:
* LangChain / LlamaIndex / свои решения
* Работа с данными:
* pandas / SQL / ETL
* API / backend:
* FastAPI / microservices
Очень важно (ключевые скиллы)
* Понимание RAG, agents, orchestration
* Умение работать с:
* embeddings
* vector DB (например, FAISS, Weaviate, pgvector)
* Опыт работы с документами:
* OCR / parsing / extraction
* Понимание evaluation:
* как мерить качество AI-систем
* Опыт production:
* деплой, мониторинг, устойчивость
Плюс (сильно усиливает)
* Опыт с on-premise AI / локальными LLM
* Docker / Kubernetes
* ML классика:
* classification / NLP / ranking
* Опыт enterprise-проектов (гос, банки, телеком)
* Опыт построения multi-agent систем
Что важно по мышлению
* Не “делает модель”, а строит решение
* Понимает бизнес-контекст (зачем это вообще нужно)
* Может упростить, а не усложнить
* Умеет работать в условиях неопределенности
* Берет ownership за результат
Зона ответственности
* Архитектура AI-части проектов
* Выбор технологий и подходов
* Быстрый запуск MVP → доведение до production
* Качество и надежность решений
* Влияние на продуктовую AI-стратегию