Vereinigte Staaten
Redwood Materials
REI Systems
AI/ML- & LLM-Engineer
RemoteVereinigte Staaten
Sterling, Virginia, United States
PythonJavaSQLAWSDockerKubernetes
Automatische Übersetzung. Prüfe das Original.
Überblick
Die Mission von REI Systems ist es, zuverlässige, innovative Technologielösungen zu liefern, die die Missionen unserer Kunden aus dem öffentlichen Sektor voranbringen und deren Erwartungen übertreffen. Unsere Technologen und Berater lösen mit Leidenschaft komplexe Herausforderungen, die das Leben von Millionen Menschen beeinflussen. Wir verfolgen bei der Erbringung unserer Dienstleistungen einen Mindful Modernization®-Ansatz, der Anwendungsmodernisierung, Zuschussmanagement, Fallmanagementsysteme, Datenanalysen für Behörden und Beratungsdienste umfasst. Dieser Ansatz, der „REI Way“, sichert den Erfolg der Mission, indem er die strategischen Ziele unserer Kunden durch Menschen, Prozesse und Technologie mit messbaren Ergebnissen in Einklang bringt. Wir bieten unseren Mitarbeitern das gleiche Engagement, indem wir berufliche Weiterentwicklung, sinnvolle Projekte und Flexibilität für Zeit mit Familie und Freunden bieten. Wir sind davon überzeugt, dass Mitarbeiter ihr Bestes geben, wenn sie sowohl in ihrem Berufsleben als auch in ihrem Privatleben erfüllt sind. Erfahren Sie mehr unter REIsystems.com. Unsere Mitarbeiter haben REI Systems in den Jahren 2015, 2016, 2018, 2020, 2021, 2022, 2023, 2024 und 2025 zum „Washington Post Top Workplace“ gewählt!
Aufgaben
Stellenübersicht
REI Systems sucht einen erfahrenen AI/ML & LLM Engineer zur Unterstützung von Technologiemodernisierungs- und digitalen Transformationsinitiativen für die FDA.
Der AI/ML & LLM Engineer entwirft, entwickelt, evaluiert, implementiert und unterstützt machine learning- und generative KI-Lösungen, die die Datenanalyse verbessern, Geschäftsprozesse automatisieren, die Suche und Wissensentdeckung erweitern und eine intelligente Entscheidungsfindung unterstützen.
Der ideale Kandidat kombiniert fundierte Python-, machine learning- und LLM-Engineering-Kenntnisse mit praktischer Erfahrung im Aufbau produktionsorientierter RAG-, NLP- und KI-Dienste. Diese Rolle richtet sich an einen praxisorientierten Ingenieur, der komplexe KI-Entwicklungsaufgaben eigenständig übernehmen und gleichzeitig mit Dateningenieuren, Softwareentwicklern, Product Ownern, Architekten, Cloud-Ingenieuren und geschäftlichen Stakeholdern zusammenarbeiten kann.
Ideales Kandidatenprofil
Der erfolgreiche Kandidat ist ein praxisorientierter AI/ML- und LLM-Ingenieur und nicht nur ein Forscher, Datenanalyst oder KI-Stratege. Er sollte sich wohl dabei fühlen, Python in Produktionsqualität zu schreiben, mit Daten zu arbeiten, ML/LLM-Lösungen zu erstellen und zu evaluieren, RAG-Pipelines zu implementieren, KI-APIs zu entwickeln und mit Anwendungs- und Cloud-Engineering-Teams zusammenzuarbeiten, um KI-Funktionen vom Prototyp in sichere Produktionsumgebungen zu überführen.
Diese Person sollte über ausreichend AI/ML-Erfahrung verfügen, um komplexe Entwicklungs- und Evaluierungsaufgaben eigenständig zu übernehmen, fundierte Implementierungsempfehlungen abzugeben, zu Architektur- und technischen Reviews beizutragen und weniger erfahrene Ingenieure anzuleiten, während sie unter der allgemeinen Leitung von leitenden Architekten und der Programmleitung arbeitet.
AI/ML-Entwicklung
- Entwurf, Entwicklung, Test und Implementierung von machine learning- und KI-Lösungen zur Erfüllung geschäftlicher und operativer Anforderungen.
- Entwicklung von machine learning-Modellen unter Verwendung strukturierter, semi-strukturierter und unstrukturierter Datensätze.
- Aufbau und Pflege wiederverwendbarer Python-Komponenten, APIs, Dienste, Notebooks und AI/ML-Pipelines.
- Durchführung von Datenaufbereitung, Feature Engineering, Modelltraining, Validierung, Tests, Leistungsbewertung und Optimierung.
- Bewertung von Algorithmen, Modellen und Ansätzen basierend auf Genauigkeit, Robustheit, Leistung, Skalierbarkeit, Erklärbarkeit und geschäftlichen Anforderungen.
- Integration von AI/ML-Funktionen in bestehende Unternehmensanwendungen und Workflows durch klar definierte Dienste und APIs.
- Entwicklung von Proof-of-Concepts und Prototypen sowie Überführung erfolgreicher Lösungen in sichere, produktionsreife Funktionen.
- Fehlerbehebung bei Modell-, Daten-, Integrations-, Latenz- und Anwendungsproblemen während des gesamten Entwicklungslebenszyklus.
Generative KI & LLM-Lösungen
- Entwicklung von Anwendungen unter Nutzung von Large Language Models (LLMs) und generativen KI-Technologien.
- Aufbau und Unterstützung von Retrieval-Augmented Generation (RAG)-Lösungen unter Verwendung von Unternehmensdokumenten, strukturierten Daten und genehmigten Wissensquellen.
- Implementierung von Prompt Engineering, Prompt-Vorlagen, Grounding, Kontextmanagement, Tool/Function Calling und strukturierten LLM-Ausgaben.
- Integration kommerzieller und/oder Open-Source-LLMs über APIs und KI-Unternehmensplattformen.
- Arbeit mit Embeddings, semantischer Suche, Vektordatenbanken, Reranking, Chunking-Strategien und Dokumentenverarbeitungspipelines.
- Entwicklung KI-gestützter Funktionen wie intelligente Suche, Zusammenfassung, Klassifizierung, Informationsextraktion, Frage-Antwort-Systeme und Workflow-Automatisierung.
- Entwurf und Durchführung von LLM-Evaluierungsansätzen hinsichtlich Genauigkeit, Relevanz, Groundedness, Konsistenz, Sicherheit, Latenz und potenziellen Halluzinationen.
- Implementierung geeigneter Leitplanken (Guardrails), Überwachung, Fallback-Strategien und Human-in-the-Loop-Prozesse für generative KI-Anwendungen.
RAG, Wissens- & Datentechnik
- Entwurf von Ingestions- und Retrieval-Pipelines für Unternehmensdokumente und Datenquellen, die von KI/LLM-Anwendungen genutzt werden.
- Entwicklung von Routinen zur Datenvorverarbeitung, Bereinigung, Transformation, Chunking, Metadatenanreicherung und Validierung.
- Arbeit mit relationalen Datenbanken, APIs, Dokumenten-Repositories, Objektspeichern, Suchplattformen und cloudbasierten Datendiensten.
- Schreiben und Optimieren von SQL-Abfragen und Retrieval-Logik zur Unterstützung von Modelltraining, Evaluierung und Inferenz.
- Zusammenarbeit mit Dateningenieuren zur Etablierung zuverlässiger, verwalteter Datenpipelines für AI/ML-Anwendungsfälle.
- Sicherstellung der angemessenen Handhabung von Datenqualität, Datenherkunft (Lineage), Sicherheit, Zugriffskontrollen und Quellennachvollziehbarkeit.
MLOps, LLMOps & Bereitstellung
- Bereitstellung von AI/ML-Modellen und LLM-gestützten Diensten in Entwicklungs-, Test- und Produktionsumgebungen.
- Entwicklung und Pflege von Modell-Inferenz-APIs, KI-Diensten und Microservices unter Anwendung professioneller Software-Engineering-Praktiken.
- Aufbau oder Unterstützung automatisierter Pipelines für Modelltests, Evaluierung, Bereitstellung, Überwachung und Nachtraining.
- Nachverfolgung von Modell- und Prompt-Versionen, Evaluierungsergebnissen, Konfigurationen, Abhängigkeiten und Produktionsverhalten.
- Überwachung von Modellqualität, Retrieval-Qualität, Latenz, Kosten, Drift, Fehlern und anderen operativen Metriken sowie Empfehlung von Verbesserungen.
- Teilnahme an CI/CD-Prozessen für AI/ML-Anwendungen und Containerisierung von Diensten unter Verwendung von Technologien wie Docker.
- Zusammenarbeit mit DevOps- und Cloud-Engineering-Teams zur Bereitstellung skalierbarer, beobachtbarer und resilienter KI-Lösungen.
Verantwortungsvolle KI, Sicherheit & Governance
- Anwendung verantwortungsvoller KI-Praktiken, einschließlich Transparenz, Rückverfolgbarkeit, Evaluierung, Tests, Dokumentation und angemessener menschlicher Aufsicht.
- Bewertung von KI-Lösungen auf Bias, Genauigkeit, Zuverlässigkeit, Datenschutz, Sicherheit, Datenabfluss, Prompt Injection und andere relevante Risiken.
- Implementierung von Sicherheitsvorkehrungen, die für den Anwendungsfall angemessen sind, einschließlich Eingabe-/Ausgabekontrollen, Inhaltsfilterung, Grounding-Prüfungen, Zugriffskontrollen und Revisionsfähigkeit.
- Einhaltung geltender Sicherheits-, Datenschutz-, Data-Governance-, Aufzeichnungsverwaltungs- und Softwareentwicklungsanforderungen des Bundes und der FDA.
- Pflege technischer Dokumentationen zu Modellen, Prompts, Datenquellen, Evaluierungsmethoden, Konfigurationen, Einschränkungen, Tests und Bereitstellung.
- Teilnahme an technischen und Governance-Reviews sowie Bereitstellung der für die Produktionsbereitstellung und den operativen Support erforderlichen Dokumentation.
Software-Engineering & Agile Bereitstellung
- Entwicklung von sauberem, wartbarem, testbarem und wiederverwendbarem Python-Code gemäß etablierten Software-Engineering-Standards.
- Entwicklung von RESTful APIs und backend-Diensten, die AI/ML-Funktionalität für Unternehmensanwendungen bereitstellen.
- Teilnahme an Code-Reviews, Unit-Tests, Integrationstests, technischen Design-Diskussionen und Dokumentation.
- Arbeit in agilen/Scrum-Entwicklungsteams und Teilnahme an Sprint-Planung, Backlog-Refinement, Demonstrationen und Retrospektiven.
- Zusammenarbeit mit Anwendungsentwicklern zur Integration von KI-Funktionalität in Java-, .NET-, Web- und cloudbasierte Unternehmensanwendungen, ohne die Verantwortung für den gesamten Anwendungs-Stack zu übernehmen.
Qualifikationen
- Ca. 5-8 Jahre Erfahrung in der professionellen Softwareentwicklung, Datentechnik, Datenwissenschaft, AI/ML oder einem verwandten technischen Bereich, einschließlich substanzieller praktischer Erfahrung in der AI/ML-Entwicklung.
- Starke Programmierkenntnisse in Python und Erfahrung im Aufbau von Python-Anwendungen oder -Diensten in Produktionsqualität.
- Praktische Erfahrung mit machine learning-Bibliotheken/-Frameworks wie Scikit-learn, PyTorch, TensorFlow, Hugging Face oder ähnlichen Technologien.
- Erfahrung in der Entwicklung, Evaluierung und Integration von AI/ML-Modellen in Anwendungen oder Produktionsumgebungen.
- Praktische Erfahrung mit generativer KI, LLMs, NLP und LLM-APIs.
- Fundiertes Verständnis von RAG, Embeddings, Vektorsuche, Prompt Engineering, Grounding, Kontextmanagement und LLM-Evaluierung.
- Erfahrung in der Arbeit mit strukturierten und unstrukturierten Daten, einschließlich Vorverarbeitung, Transformation, Validierung und Analyse.
- Erfahrung in der Entwicklung von REST-APIs und backend-Diensten für AI/ML-Funktionalität.
- Arbeitskenntnisse in SQL und relationalen Datenbanken.
- Vertrautheit mit Git, CI/CD, automatisierten Tests, Containerisierung und modernen Softwareentwicklungspraktiken.
- Erfahrung in der Arbeit in agilen, multidisziplinären Entwicklungsumgebungen.
- Starke analytische, experimentelle, Fehlerbehebungs- und Problemlösungsfähigkeiten.
- Fähigkeit, AI/ML-Konzepte, Einschränkungen, Risiken und Empfehlungen klar an technische und nicht-technische Stakeholder zu kommunizieren.
Bevorzugte Qualifikationen
- Erfahrung in der Unterstützung von FDA-, HHS- oder anderen Bundesprogrammen.
- Erfahrung in der Entwicklung und Bereitstellung von AI/ML-Lösungen in AWS oder Azure.
- Erfahrung mit AWS AI/ML-Diensten wie Amazon Bedrock, SageMaker, Lambda, S3, OpenSearch oder verwandten Diensten.
- Erfahrung mit Azure AI-Diensten oder Azure OpenAI.
- Erfahrung mit Vektordatenbanken oder Vektorsuchtechnologien wie Pinecone, FAISS, OpenSearch, pgvector, Chroma oder ähnlichen Technologien.
- Erfahrung mit LangChain, LlamaIndex, Semantic Kernel oder vergleichbaren KI-Orchestrierungs-Frameworks.
- Erfahrung in der Entwicklung von Dokumentenintelligenz, NLP, semantischer Suche, Wissensmanagement oder Unternehmenssuchlösungen.
- Erfahrung im Entwurf automatisierter LLM-Evaluierung, Prompt-/Versionsmanagement, Leitplanken oder LLMOps-Funktionen.
- Erfahrung mit Docker und containerisierter KI-Anwendungsbereitstellung; Vertrautheit mit Kubernetes oder cloud-nativen Umgebungen.
- Erfahrung mit MLOps, Modellüberwachung, Modellversionierung, Experiment-Tracking oder ML-Lebenszyklusmanagement.
- Verständnis von Microservices, ereignisgesteuerter Integration und Unternehmensanwendungsarchitektur.
- Vertrautheit mit DevSecOps-Praktiken und sicherer Softwareentwicklung für KI-gestützte Systeme.
- Erfahrung in der Arbeit mit sensiblen, regulierten, wissenschaftlichen, medizinischen oder Bundesdatensätzen ist ein Plus.
Berufliche Fähigkeiten
- Starke analytische und kritische Denkfähigkeiten.
- Hervorragende schriftliche und mündliche Kommunikationsfähigkeiten.
- Fähigkeit, geschäftliche Anforderungen in praktische AI/ML- und LLM-gestützte Lösungen zu übersetzen.
- Fähigkeit, komplexe KI-Entwicklungsaufgaben eigenständig zu übernehmen und gleichzeitig effektiv in einem größeren technischen Team zusammenzuarbeiten.
- Starke Detailorientierung und Engagement für Modell-, Software-, Evaluierungs- und Datenqualität.
- Fähigkeit, Experimente mit Produktions-Engineering, Sicherheit, Governance, Leistung und operativen Einschränkungen in Einklang zu bringen.
- Fähigkeit, technische Risiken, Annahmen, Modelleinschränkungen, Abhängigkeiten und Empfehlungen klar zu kommunizieren.
- Starke Fähigkeiten in Dokumentation, Mentoring und Wissensaustausch.
Schlüsseltechnologien
Sprachen: Python, SQL AI/ML: Scikit-learn, PyTorch, TensorFlow, Hugging Face Generative KI: LLMs, RAG, Prompt Engineering, Embeddings, Vektorsuche, LLM Evaluierung KI-Orchestrierung: LangChain, LlamaIndex, Semantic Kernel oder vergleichbare Frameworks Cloud: AWS und/oder Azure Entwicklung: REST APIs, Git, CI/CD, Docker Daten: SQL Datenbanken, APIs, Dokumenten-Repositories, strukturierte und unstrukturierte Daten Methodik: Agile/Scrum, MLOps/LLMOps, DevSecOps
Bildung: Bachelor-Abschluss in Informatik, Datenwissenschaft oder einem verwandten Bereich; Master-Abschluss bevorzugt.
Standort: Hybrid - Sterling, VA HQ (mit Flexibilität für Remote-Arbeit gemäß Unternehmensrichtlinie).
Sicherheitsüberprüfung: Der Kandidat muss in der Lage sein, eine Sicherheitsüberprüfung zu erhalten und aufrechtzuerhalten.
EEO-Erklärung: REI Systems ist ein Arbeitgeber, der Chancengleichheit fördert
#LI-HYBRID
#LI-TK1
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