Vereinigte Staaten
Be Structured Technology Group
Bain & Company
Director, AI and Machine Learning Engineering
Vereinigte Staaten
Warsaw, Masovian Voivodeship, Poland · London, England, United Kingdom · Chicago, Illinois, United States · Boston, Massachusetts, United States · São Paulo, Brazil
PythonReactAWS
Automatische Übersetzung. Prüfe das Original.
BESCHREIBUNG & ANFORDERUNGEN
Was uns zu einem großartigen Arbeitsplatz macht
Wir sind stolz darauf, regelmäßig als einer der weltweit besten Arbeitgeber ausgezeichnet zu werden. Aktuell sind wir das am höchsten bewertete Beratungsunternehmen auf der „Best Places to Work“-Liste von Glassdoor und haben den #1 Platz insgesamt bereits sieben Mal erreicht – ein Rekord. Außergewöhnliche Teams bilden das Herzstück unserer Geschäftsstrategie, doch diese entstehen nicht durch Zufall. Sie erfordern einen bewussten Fokus darauf, eine breite Palette an Hintergründen, Kulturen, Erfahrungen, Perspektiven und Fähigkeiten in einem unterstützenden und inklusiven Arbeitsumfeld zusammenzubringen. Wir stellen Talente mit außergewöhnlichen Fähigkeiten ein und schaffen ein Umfeld, in dem sich jeder Einzelne beruflich und persönlich entfalten kann.
Mit wem Sie zusammenarbeiten werden
Sie werden Teil eines Teams sein, das Bains integrierte Suite von agentenbasierten Entscheidungstools entwickelt, die großen Unternehmen eine permanente Intelligenz für ihre wichtigsten Wachstumsentscheidungen bietet. Diese Rolle befindet sich an einer Schnittstelle, die nur wenige Organisationen bieten können: die analytische Tiefe und der Kundenzugang einer erstklassigen Unternehmensberatung, der technische Anspruch eines Produktunternehmens und Ingenieursarbeit an der Grenze der angewandten KI.
Sie arbeiten innerhalb des festen Produktteams von Bain und entwickeln Software, die den weltweit größten Unternehmen hilft, die Fragen zu beantworten, die ihr Geschäft vorantreiben: Wo investieren, worauf fokussieren und wie gewinnen. Die Wirkung Ihrer Arbeit ist direkt und unmittelbar, und die Plattform gewinnt mit jeder Veröffentlichung an Wert.
Die Plattform besteht aus zwei zusammenwirkenden Ebenen: einem agentenbasierten Kern und einer Reihe von Entscheidungsmodulen, von denen jedes ein spezifisches kommerzielles Problem löst. Der Entwicklungszyklus ist eng mit der realen Welt verknüpft: Während Case-Teams branchen- und länderübergreifend mit Kunden zusammenarbeiten, fließt dieses Feedback direkt zurück in die Entwicklung und in das Produkt. Jedes Kundenprojekt macht die Plattform intelligenter, umfassender und widerstandsfähiger.
Dies ist ein Startup innerhalb eines etablierten Unternehmens. Sie erhalten echte Eigenverantwortung in der Frühphase und einen tatsächlichen Einfluss auf Architektur und Produktrichtung, unterstützt durch die globale Reichweite, die Kundenbeziehungen und das Führungsengagement von Bain; das Tempo eines Startups mit der Stabilität eines globalen Unternehmens.
Wir suchen Ingenieure, die erkennen, wie ein Produkt verbessert werden kann, und diesen Instinkt in jeden Sprint einbringen, ohne dazu aufgefordert zu werden, und die sich bei Problemen wohlfühlen, für die es noch keine bekannte Lösung gibt. Die Arbeit umfasst Echtzeit-Entscheidungsmaschinen, Cloud-native Infrastruktur und Datenprobleme, für die es keine Standardlösungen gibt. Erfahrung mit agentenbasierten Systemen ist wichtig: Tool- und Kontextprotokolle wie MCP, Evaluierungs-Harnesses, Memory-Design und Entity Resolution bei komplexen Unternehmensdaten. Dies ist angewandte KI in der Produktion, in großem Maßstab, mit echten Nutzern, die von Ihrer Arbeit abhängen. Das Feld entwickelt sich schnell und das Team ist darauf ausgelegt, mitzuhalten, daher zählt die Bereitschaft, ständig dazuzulernen, genauso viel wie das, was Sie bereits wissen.
Wo Sie im Team angesiedelt sind
Der AI Engineer ist ein zentraler Entwickler des Agentic Core und Interface der Growth AI Performance System-Plattform: das gemeinsame Fundament, auf dem alle drei Produktmodule aufbauen. Dies ist keine Rolle auf Modulebene; Sie bauen die zentrale Intelligenzebene: die agentenbasierten Workflows, Retrieval- und Wissenspipelines, Tool-Integrationen und die Interface-Infrastruktur, von der jedes Produkt der Suite abhängt. Indem Sie Lösungen von ersten POCs und MVPs bis hin zu skalierten Produktionseinsätzen führen, sind Sie verantwortlich für die Zuverlässigkeit, Qualität und Kohärenz der Systeme, die echte Kundenteams täglich nutzen.
Sie arbeiten plattform- und produktmodulübergreifend mit Fokus auf Marketing-ROI, Marken- und Preisstrategie und übersetzen die analytischen und kommerziellen Fragen, die Kundenteams beantworten möchten, in zuverlässige, produktionsreife agentenbasierte Systeme, die diese Antworten in großem Maßstab liefern.
Die Rolle erfordert sowohl tiefe technische Fähigkeiten als auch echtes Kundenverständnis. Sie arbeiten direkt mit Beratungsteams und teilweise mit hochrangigen Stakeholdern zusammen, präsentieren die Funktionsweise des Agentic Core, übersetzen Systemdesign-Entscheidungen in geschäftliche Begriffe und nutzen dieses Feedback, um die Plattform zu verbessern. Die Entwicklungsschleife ist hier eng: Kundenengagement informiert die Technik, und jede Veröffentlichung macht die Suite leistungsfähiger.
Diese Rolle befindet sich an der Schnittstelle von Forschung und Produktionstechnik. Die Probleme werden selten durch Standard-Tools gelöst: Sie erfordern Urteilsvermögen darüber, wann agentenbasierte Ansätze einen echten Mehrwert bieten, wie man Systeme baut, die bei Fehlern kontrolliert reagieren, und wie man Qualität auf eine Weise misst, die für echte Nutzer bei echten Kundenprojekten von Bedeutung ist.
Was Sie tun werden
Aufbau des Agentic Core
- Aufbau und Verantwortung für Kernkomponenten des Growth AI Performance System Agentic Core, der gemeinsamen Intelligenzebene, von der alle Produktmodule abhängen, einschließlich Multi-Agent-Orchestrierungs-Frameworks, Tool-Registries, Shared Memory und State Management sowie der Interface-Infrastruktur, die Plattformfunktionen für Nutzer bereitstellt
- Aufbau von KI-Anwendungen für Unternehmensanwendungsfälle über den gesamten Bereitstellungslebenszyklus hinweg, von schnellen POCs und MVPs bis hin zu skalierten Produktionseinsätzen; Design von KI-Workflows, die mehrstufige Aufgaben zuverlässig und sicher ausführen – Aufbau von Evaluierungen zur Messung der Ausgabequalität, zum Benchmarking der Modellleistung und zur Validierung der Zuverlässigkeit vor und nach der Bereitstellung
- Implementierung von agentenbasierten Mustern mit fundiertem Urteilsvermögen darüber, wann sie einen echten Mehrwert bieten; Aufbau robuster Agentenfunktionen einschließlich Kontext-Engineering, Memory- und State-Management, Reasoning und Planning, Reflection, Orchestrierung, Routing, Tool-Auswahl, Function Calling und Tool-Integration, mit klarer Trennung der Zuständigkeiten, damit das Tool-Ökosystem sauber skaliert
- Design und Aufbau fortschrittlicher Retrieval- und Wissenspipelines über verschiedene Datenstrukturen hinweg (vektorbasiert, schlüsselwortbasiert, hybrid und graphbasiert), einschließlich Embedding-Generierung und -Optimierung, Indexierungsstrategien, Metadaten-Design, Relevanz-Tuning, Caching, Zugriffskontrollen und Quellenattribuierung
- Anwendung von Fine-Tuning- und parameter-effizienten Tuning-Techniken, wo diese messbar besser abschneiden als reines Prompting und Retrieval; Durchführung von Modellexperimenten und Forschung in der Frühphase zur Unterstützung von Architektur-Entscheidungen
- Integration von Plattformfunktionen in Unternehmensumgebungen unter Abwägung von Qualität, Latenz, Kosten, Datenschutz und Akzeptanz; Aufbau wiederverwendbarer Komponenten und Beschleuniger, die über alle drei Produktmodule hinweg skalieren
Engineering-Qualität und Betrieb
- Engineering für die reale Bereitstellung über den gesamten Softwareentwicklungslebenszyklus hinweg: Schreiben von sauberem, testbarem und wartbarem Code; Aufbau von APIs und Microservices für Cloud-native Bereitstellung; Implementierung von MLOps-, AIOps- und GenAIOps-Praktiken einschließlich CI/CD, Reproduzierbarkeit, Umgebungsparität und Versionierung für Modelle, Prompts und Agenten
- Aufbau von Evaluierung und Observability für den Agentic Core: Tracing und Instrumentierung der agentenbasierten Ausführung, Regressionstest-Suiten, automatisierte Scoring-Pipelines und Iterationsschleifen für Prompt- und Richtlinienoptimierung
- Design von Evaluierungs-Frameworks, die Halluzinationsraten und faktische Konsistenz, Relevanz und Retrieval-Präzision/Recall, Latenz und Durchsatz sowie Kosten pro Aufgabe verfolgen; Einfließenlassen von Nutzersignalen und menschlichem Feedback in kontinuierliche Verbesserungszyklen und laufende Modellaktualisierungen
- Anwendung von Data Science- und ML-Fähigkeiten bei Bedarf, um die Plattformleistung oder -zuverlässigkeit wesentlich zu verbessern: Datenaufbereitung, Feature Engineering, Modellauswahl, Training, Validierung und reproduzierbare Evaluierungspipelines
- Design für sichere Unternehmensbereitstellung: Zugriffskontrollen, Auditierbarkeit, verantwortungsbewusster Umgang mit sensiblen Daten und verantwortungsbewusste KI-Leitplanken, einschließlich Fallbacks, Red-Teaming und Human-in-the-Loop (HITL)-Überprüfung; Implementierung von Sicherheits-, Datenschutz- und Governance-Anforderungen über alle Plattformdienste hinweg; Partnerschaft mit den globalen Responsible AI- und Ethik-Teams von Bain, um die Plattform im Einklang mit den Unternehmensstandards zu halten
Kommunikationsfähigkeiten für interne Stakeholder
- Direkte Zusammenarbeit mit Beratungsteams und hochrangigen Stakeholdern, um zu verstehen, wie der Agentic Core genutzt wird, wo er Defizite aufweist und was geändert werden muss; Übersetzung dieses Feedbacks in konkrete technische Verbesserungen
- Präsentation komplexer Designs agentenbasierter Systeme, Kompromisse und Implementierungsentscheidungen vor hochrangigen Stakeholdern, einschließlich C-Level und Führungskräften, in klaren, nicht-technischen Begriffen, die Vertrauen in die Plattform aufbauen
- Beitrag zu Discovery-Sitzungen und Lösungsgestaltung mit Case-Teams; Agieren als glaubwürdige, besonnene technische Stimme, die technische Entscheidungen mit kommerziellen Ergebnissen verbindet; Agieren als Sparringspartner für KI-Strategie, Architekturwahl, neue Funktionen und Implementierungs-Roadmaps
- Vorantreiben von Innovation durch unkonventionelles Denken; Teilnahme an POCs und Innovations-Workstreams zur Validierung neuer Tools und Technologien; Auf dem Laufenden bleiben bei neuen KI- und Agenten-Trends und Teilen von Erkenntnissen im Team
- Enge Zusammenarbeit mit Kollegen aus Produkt, Technik, Data Science, Ethik und Infrastruktur, um robuste, konforme KI-Systeme aufzubauen
- Mentoring und Weiterbildung von Ingenieuren und Case-Team-Mitgliedern zu Best Practices in RAG, Agenten, Prompt Engineering und KI-Sicherheit
Mindestanforderungen
Über Sie
Technisch
- Starke Kenntnisse in Python und Erfahrung im Aufbau und der Integration von Produktionsdiensten; praktische Erfahrung mit LLM APIs, agentenbasierten Orchestrierungs-Frameworks und der Bereitstellung von Diensten auf Azure oder AWS
- Erfahrung im Design und der Implementierung von agentenbasierten Workflows und mehrstufigen LLM-Pipelines; tiefe Vertrautheit mit Kontext-Engineering, Memory- und State-Management, Tool-Integration, Routing-Logik, Planung und Reflexion sowie Orchestrierungsmustern; Arbeitswissen über ReAct, RLAIF und andere HITL- und Feedback-Loop-Techniken
- Erfahrung im Aufbau von Retrieval- und Wissenspipelines über vektor-, schlüsselwort-, hybrid- und graphbasierte Datenstrukturen hinweg, einschließlich praktischer Nutzung von Vektor- und Graphdatenbanken; Verständnis von Embedding-Optimierung, Indexierungsstrategien, Relevanz-Tuning und der Verbindung von Retrieval mit LLM-gestützten Workflows
- Kenntnisse in MLOps- und AIOps-Praktiken: CI/CD für KI-Dienste, Versionierung für Modelle, Prompts und Agenten, automatisierte Evaluierungspipelines und Observability für agentenbasierte Systeme
- Fortgeschrittenes Prompt Engineering, Kontext-Engineering und Konversationsdesign; fundierte Grundlagen in Evaluierungsdesign, Experimentier-Frameworks und Daten-Labeling-Strategien für LLM-Anwendungen
- Solide Systemdesign- und Architekturfähigkeiten mit tiefer Vertrautheit mit Kostenoptimierung und rechnerischen Kompromissen für LLM-Workloads
- Fähigkeit, Data Science- und ML-Fähigkeiten zur Verbesserung der Systemleistung anzuwenden: Feature Engineering, Modellauswahl, Training, Validierung und reproduzierbare Evaluierungspipelines
- Starke technische Grundlagen: sauberer, testbarer, wartbarer Code; Code-Review; Versionskontrolle; automatisierte Tests und Performance-Profiling
- Native KI-Flüssigkeit im täglichen Engineering, aktive Nutzung von KI-gestützten Coding-Tools (Cursor, Claude Code oder gleichwertig), um die Entwicklung zu beschleunigen und schneller Prototypen zu erstellen
- Nachgewiesenes Engagement für verantwortungsbewusste KI-Praktiken: Zugriffskontrollen, Auditierbarkeit, Bewusstsein für Bias und das Urteilsvermögen zu wissen, wann ein System noch nicht bereit für die Bereitstellung ist
Erfahrung
- 10 oder mehr Jahre in Software-Engineering- oder angewandten KI-Rollen mit erheblicher praktischer Verantwortung beim Aufbau
- Erfolgsbilanz bei der Bereitstellung von KI- oder ML-Systemen in der Produktion von Anfang bis Ende, von der ersten Experimentierphase bis zum Live-Einsatz
- Erfahrung mit Beiträgen zu komplexen, Multi-Stack-generativen KI-Programmen von der Konzeption bis zur Produktion, einschließlich Mentoring anderer Ingenieure auf dem Weg dorthin
- Erfahrung in agilen, funktionsübergreifenden Produkt- oder beratungsnahen Umgebungen; starke Fähigkeiten zur Fehlerbehebung und Problemlösung; komfortabel im Umgang mit Umgebungen mit hoher Ambiguität
- Direkte Erfahrung im Umgang mit Kunden oder hochrangigen Business-Stakeholdern in technischer Kapazität, Präsentieren, Beraten oder Gestalten von Lösungen in beratungsnahen Umgebungen ist ein starker Vorteil
Ausbildung
Associate’s Degree / Bachelor-Abschluss in Informatik, Ingenieurwesen, Mathematik oder einem verwandten technischen Bereich; oder eine gleichwertige Kombination aus Ausbildung, Training und Erfahrung
US-Vergütungsinformationen
Die Vergütung für diese Rolle umfasst ein Grundgehalt, einen jährlichen diskretionären Leistungsbonus, einen 401(k)-Plan mit einem jährlichen Arbeitgeberbeitrag basierend auf der Betriebszugehörigkeit sowie das erstklassige Leistungspaket von Bain (Details unten aufgeführt).
Einige lokale Regierungen in den Vereinigten Staaten verlangen, dass eine nach Treu und Glauben angemessene Gehaltsspanne in Stellenausschreibungen für offene Stellen enthalten ist. Die geschätzte jährliche Vergütung für diese Rolle ist wie folgt:
- In Massachusetts liegt die nach Treu und Glauben angemessene jährliche Vollzeit-Gehaltsspanne für diese Rolle zwischen $235,750 – $282,500; die Platzierung innerhalb dieser Spanne variiert basierend auf mehreren Faktoren, einschließlich, aber nicht beschränkt auf Erfahrung, Ausbildung, Zulassungen/Zertifizierungen, Training und Qualifikationsniveau
- In Illinois liegt die nach Treu und Glauben angemessene jährliche Vollzeit-Gehaltsspanne für diese Rolle zwischen $225,750 – $270,500; die Platzierung innerhalb dieser Spanne variiert basierend auf mehreren Faktoren, einschließlich, aber nicht beschränkt auf Erfahrung, Ausbildung, Zulassungen/Zertifizierungen, Training und Qualifikationsniveau
- Jährlicher diskretionärer Leistungsbonus
- Diese Rolle kann auch für andere Elemente der diskretionären Vergütung in Frage kommen
- 4.5% 401(k)-Unternehmensbeitrag, der nach 3 Dienstjahren steigt und ab dem Startdatum zu 100% unverfallbar ist
Das umfassende Leistungs- und Wellnessprogramm von Bain & Company soll Mitarbeitern helfen, persönliche Unabhängigkeit, Schutz und Stabilität in den Bereichen zu erreichen, die für Sie und Ihre Familie am wichtigsten sind.
- Bain zahlt 100% der individuellen Mitarbeiterprämien für Kranken-, Zahn- und Augenversicherungsprogramme und bietet einen der umfassendsten medizinischen Pläne für Mitarbeiter, ohne Ihr Gehalt zu belasten
- Großzügiger bezahlter Urlaub, einschließlich Elternzeit, Krankheitsurlaub und bezahlter Feiertage
- Vollständig unverfallbarer 401(k)-Unternehmensbeitrag
- Bezahlte Lebens- und Berufsunfähigkeitsversicherung
Für alle anderen Standorte ist die nach Treu und Glauben angemessene jährliche Vollzeit-Gehaltsspanne für diese Rolle mit wettbewerbsfähigen geografischen Marktpreisen für diese Rolle vereinbar und variiert basierend auf mehreren Faktoren, einschließlich, aber nicht beschränkt auf Erfahrung, Ausbildung, Zulassungen/Zertifizierungen, Training und Qualifikationsniveau.
ALLGEMEINE INFORMATIONEN
Es ist in Massachusetts rechtswidrig, einen Lügendetektortest als Bedingung für die Einstellung oder Weiterbeschäftigung zu verlangen oder durchzuführen. Ein Arbeitgeber, der gegen dieses Gesetz verstößt, unterliegt strafrechtlichen Sanktionen und zivilrechtlicher Haftung.
Jobtitel Director, AI and Machine Learning Engineering
Job-ID 111321
Arbeitsbereiche Technologie & Engineering
Anstellungsart Unbefristet in Vollzeit
Standort(e) Boston, Chicago, London, Sao Paulo, Warschau
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen