Vereinigte Staaten
Siemens
Stanbridge University
Software Engineer – AI-Systeme (Go)
RemoteVereinigte Staaten
Irvine, California, United States
SQLGo
Automatische Übersetzung. Prüfe das Original.
Über die Stelle
Stanbridge University sucht Software Engineers – AI-Systeme (Go), um produktive KI-Systeme zu konzipieren, zu entwickeln und zu betreiben, die komplexe, mehrstufige Aufgaben zuverlässig und skalierbar ausführen.
Dies ist eine praxisorientierte Engineering-Rolle, die sich auf eine anspruchsvolle Klasse von Problemen konzentriert: langlebige KI-Workflows, die Modelle, Tools und externe APIs aufrufen, den Status über längere Ausführungszeiten hinweg beibehalten, strukturierte Inhalte und generierte Medien erstellen, mit menschlichen Prüfern interagieren, sich von Teilfehlern erholen und Benutzern konsistent präzise Ergebnisse liefern.
Die zentralen technischen Herausforderungen gehen weit über die Prompt-Entwicklung hinaus. Diese Systeme müssen Ausfälle und Ratenbegrenzungen von Anbietern, unterbrochene Workflows, sich ändernde Zustände, nicht-deterministisches Modellverhalten, fehlerhafte oder nicht unterstützte Ausgaben, variable Latenzzeiten und Kosten sowie Bereitstellungen während laufender Prozesse berücksichtigen.
Der erfolgreiche Kandidat kombiniert fundiertes Urteilsvermögen in der Software- und Distributed-Systems-Entwicklung mit praktischer Erfahrung in der Erstellung und dem Betrieb von LLM-basierten Anwendungen, KI-Agenten oder agentenbasierten Systemen in der Produktion.
Sie steigen in einer Phase ein, in der noch wesentliche Architektur entworfen und aufgebaut werden muss. Ingenieure in dieser Rolle haben maßgeblichen Einfluss auf die Muster, Dienste, Infrastruktur und Engineering-Standards, die die KI-Systeme der Universität prägen.
Eignung für Remote-Arbeit
Diese Position ist für Remote-Arbeit geeignet für Kandidaten, die in Bundesstaaten wohnen, in denen Stanbridge University derzeit berechtigt ist, Remote-Mitarbeiter zu beschäftigen. Zu den derzeit berechtigten Bundesstaaten gehören: Arizona, Colorado, Illinois, Indiana, Kansas, Kentucky, Louisiana, Maryland, Michigan, Minnesota, Nevada, New Jersey, North Carolina, North Dakota, Ohio, Tennessee, Texas und Wisconsin.
Kandidaten müssen zum Zeitpunkt der Beschäftigung in einem berechtigten Bundesstaat wohnen. Die Eignung für Remote-Arbeit unterliegt den Beschäftigungsanforderungen der Universität und kann sich aufgrund geltender staatlicher Anforderungen ändern.
Engineering-Umgebung
Die von diesem Team adressierten technischen Probleme umfassen:
- Dauerhafte Workflow-Orchestrierung: Langlebige, mehrstufige Pipelines unter Verwendung von persistentem Status, Job-Warteschlangen, Checkpoints, Wiederaufnehmbarkeit, idempotenter Ausführung sowie Wiederherstellung bei unterbrochener oder verwaister Arbeit.
- Multi-Provider-Modell-Infrastruktur: Routing über kommerzielle Modellanbieter mit Modell-Registern, Token- und Kostenkontrollen, Umgang mit Ratenbegrenzungen, Wiederholungsversuchen, Circuit Breakern, Gesundheitsüberwachung und Provider-Failover.
- Agenten- und Tool-Orchestrierung: Systeme, in denen KI-Agenten mit Tools, APIs, Datenquellen, Anwendungsdiensten und deterministischer Geschäftslogik interagieren, um mehrstufige Aufgaben abzuschließen.
- Infrastruktur für Prompt-Engineering: Behandlung von Prompts als versionskontrollierte Produktionsartefakte mit Überprüfung, Tests, Regressionsschutz und messbarem Verhalten.
- Testen nicht-deterministischer Systeme: Aufgezeichnete und wiederholbare Provider-Interaktionen, deterministische Fixtures, Evaluierungs-Harnesses, Baselines und Regressionstests für KI-Verhalten.
- Korrektheits- und Qualitätskontrollen: Validierung strukturierter Ausgaben, automatisierte Evaluierung, domänenspezifische Anforderungen, Nachweisprüfung und Schutzmaßnahmen gegen selbstbewusste, aber falsche Modellausgaben.
- Human-in-the-Loop-Workflows: Überprüfungs- und Genehmigungsphasen innerhalb automatisierter Prozesse, einschließlich Systemen, die sicher reagieren können, wenn Benutzer während der Ausführung Status oder Eingaben ändern.
- Pipelines für generierte Medien: Systeme, die Dokumente, Audio, Bilder, Videos und andere generierte Assets erstellen und verwalten können.
- Produktions-Service-Architektur: Go-basierte APIs und backend-Dienste, relationale Datenspeicher, Job-Infrastruktur, Observability und Integrationen zur Unterstützung benutzerorientierter Anwendungen.
- Sichere Ingestion: Verarbeitung von benutzerseitig bereitgestellten und potenziell nicht vertrauenswürdigen Dokumenten unter Einhaltung angemessener Sicherheits- und Autorisierungsgrenzen.
Zwei Engineering-Schwerpunkte
Ingenieure erfüllen denselben technischen Gesamtstandard, können jedoch tiefere Expertise in einem von zwei Bereichen einbringen:
Plattform und Pipeline
Fokus auf verteilte Systeme, Workflow-Orchestrierung, dauerhaften Status, Job-Warteschlangen, Wiederherstellung, Provider-Infrastruktur, Latenz, Durchsatz, Skalierbarkeit, Zuverlässigkeit und Kostenoptimierung.
Dieser Schwerpunkt eignet sich besonders für erfahrene Systemingenieure, die KI-Modelle als leistungsstarke Komponenten betrachten, die eine neue Reihe von Herausforderungen für verteilte Systeme und Zuverlässigkeit mit sich bringen.
Agenten und Qualität
Fokus auf Agenten- und Tool-Architektur, Prompt-Systeme, Kontextmanagement, Evaluierungs-Frameworks, Regressionstests, Judge-Modelle, Nachweisvalidierung und End-to-End-Ausgabequalität.
Dieser Schwerpunkt eignet sich besonders für Ingenieure, die sich dem KI-Verhalten durch Experimente, Messungen, Tests und systematische Verbesserungen nähern.
Kandidaten können einen bevorzugten Bereich angeben; eine Spezialisierung in einem Bereich ist jedoch nicht erforderlich.
Was Erfolg ausmacht
Ein außergewöhnlicher Ingenieur in dieser Rolle wird:
- KI-Workflows aufbauen, die zuverlässig in der Produktion funktionieren, ohne routinemäßige menschliche Eingriffe zu erfordern.
- Systeme entwerfen, die sich elegant von Ausfällen der Modellanbieter, unterbrochener Ausführung, Bereitstellungen, Ratenbegrenzungen und anderen Teilfehlern erholen.
- KI-Verhalten zunehmend messbar, reproduzierbar, testbar und beobachtbar machen, anstatt sich auf subjektive Bewertungen zu verlassen.
- Die Ausgabequalität verbessern und gleichzeitig Latenz und Kosten pro Ausführung systematisch reduzieren.
- Dauerhafte Engineering-Muster schaffen, die das Einführen nachfolgender Agenten, Provider, Workflows und Ausgabetypen einfacher und sicherer machen.
- Identifizieren, wann deterministische Software modellgesteuertes Verhalten ersetzen oder einschränken sollte.
- Systeme aufbauen, deren Fehler durch Instrumentierung und Replay diagnostiziert werden können, anstatt durch Vermutungen.
- Architektur und Engineering-Praktiken etablieren, die zu grundlegenden Komponenten der breiteren KI-Fähigkeiten der Universität werden.
Beschäftigungsbedingungen
- Während des Interviewprozesses kann eine berufsbezogene Beurteilung erforderlich sein.
- Muss in der Lage sein, jede wesentliche Aufgabe zufriedenstellend zu erfüllen und physisch im Büro anwesend zu sein (sofern nicht anders angegeben).
- Beschäftigungserlaubnis: Bewerber müssen rechtlich berechtigt sein, in den Vereinigten Staaten zu arbeiten. Stanbridge University bietet kein beschäftigungsbasiertes Einwanderungssponsoring an und nimmt nicht an arbeitgebergesponserten oder arbeitgeberabhängigen Programmen zur Arbeitserlaubnis teil.
- Sponsoring: Sponsoring jetzt oder in der Zukunft könnte bedeuten, dass Stanbridge University sponsert, Arbeitgeberdokumentationen vervollständigt, Bescheinigungen oder Ausbildungspläne bereitstellt oder anderweitig an einem Programm zur Arbeitserlaubnis oder beschäftigungsbasierten Einwanderung teilnimmt, damit eine Person die Beschäftigung beginnen oder fortsetzen kann. Stanbridge University bietet kein solches Sponsoring an.
- Es wird eine Beschäftigungsüberprüfung durchgeführt, um die Berufserfahrung gemäß den Akkreditierungsstandards zu validieren.
- Stellenangebote stehen unter dem Vorbehalt des erfolgreichen Abschlusses einer Hintergrundüberprüfung.
- Offizielle Zeugnisse sind vor der Einstellung erforderlich. Abschlüsse, die außerhalb der Vereinigten Staaten erworben wurden, müssen von einem anerkannten Zeugnisbewertungsdienst bewertet werden, um die Gleichwertigkeit des US-Abschlusses und anwendbare Fachbereichskurse zu bestimmen.
- Angemessene Vorkehrungen können getroffen werden, um Personen mit Behinderungen die Ausübung wesentlicher Funktionen zu ermöglichen.
Arbeitsumgebung
- Standardmäßige professionelle und technologieorientierte Arbeitsumgebung.
- Die Aufgaben werden typischerweise im Sitzen an einem Schreibtisch oder Computerarbeitsplatz ausgeführt.
- Die Position erfordert umfangreiche Interaktion mit Computern, Softwareentwicklungsumgebungen, Cloud-Diensten, KI-Systemen und technischer Infrastruktur.
- Unterliegt der Zusammenarbeit mit funktionsübergreifenden Teams, sich ändernden technischen Anforderungen und anspruchsvollen Projektzeitplänen.
Physische Anforderungen
- Regelmäßiges Sitzen über längere Zeiträume.
- Physische Fähigkeit, abteilungsbezogene Aufgaben auszuführen.
- Versiert im Umgang mit elektronischen Tastaturen und Bürogeräten.
- Effektive mündliche Kommunikation per Telefon, Videokonferenz und persönlich.
- Fähigkeit, Kleingedrucktes zu lesen, Computer zu bedienen und Stimmen klar zu verstehen.
- In der Lage, bei Bedarf Objekte mit einem Gewicht von 10–25 Pfund zu heben, zu tragen und/oder zu bewegen.
Institutionelle Werte
Vielfalt und Inklusion
Das Motto von Stanbridge University, „Stärke durch Vielfalt“, spiegelt unser tiefes Engagement wider, die unterschiedlichen Hintergründe unserer Studenten, Fakultätsmitglieder, Mitarbeiter und der umliegenden Gemeinschaften zu würdigen. Wir streben danach, eine inklusive Lernumgebung aufzubauen und Antidiskriminierungspraktiken in allen Aspekten des Universitätslebens aufrechtzuerhalten.
Innovation und Technologie
Wir nutzen modernste Technologie, um das Lernen der Studenten durch interaktive, praktische Erfahrungen zu verbessern, einschließlich Virtual Reality und Simulationslaboren – um sicherzustellen, dass Studenten auf die Anforderungen der modernen Gesundheitspraxis vorbereitet sind.
Engagement in der Gemeinschaft
Durch Initiativen wie Stanbridge outREACH werden Studenten befähigt, lokalen und globalen Gemeinschaften etwas zurückzugeben, wodurch Mitgefühl, bürgerschaftliche Verantwortung und soziales Bewusstsein gefördert werden.
Arbeitgeber für Chancengleichheit
Stanbridge University ist ein Arbeitgeber für Chancengleichheit. Wir engagieren uns für den Aufbau eines vielfältigen und inklusiven Arbeitsplatzes. Wir diskriminieren nicht aufgrund von Rasse, Hautfarbe, Religion, Geschlecht, nationaler Herkunft, Alter, Behinderung, genetischen Informationen, sexueller Orientierung, Geschlechtsidentität oder einem anderen geschützten Status. Alle qualifizierten Bewerber werden ermutigt, sich zu bewerben.
Wesentliche Funktionen
- Konzeption, Entwicklung, Test, Bereitstellung und Betrieb von Software und backend-Diensten in Produktionsqualität, primär unter Verwendung von Go (Golang).
- Architektur und Aufbau von KI-Agenten und agentenbasierten Systemen, die Tools nutzen, mit APIs interagieren, Status und Kontext beibehalten und komplexe mehrstufige Workflows ausführen können.
- Entwurf dauerhafter Workflows, die Checkpoints setzen, fortsetzen, wiederholen, wiederherstellen und die Ausführung nach Teilfehlern oder Systemunterbrechungen sicher fortsetzen können.
- Festlegung, wie Modelle, Agenten, Tools, APIs, Datenquellen, Dienste und deterministische Anwendungslogik die Verantwortlichkeiten innerhalb eines KI-Systems aufteilen sollten, einschließlich der Erkennung, wann ein KI-Modell nicht die geeignete Lösung ist.
- Entwurf von Integrationen über mehrere KI-Modellanbieter hinweg, einschließlich Routing, Failover, Verwaltung von Ratenbegrenzungen, Gesundheitsüberwachung und Degradationsstrategien.
- Aufbau von Schutzmaßnahmen, einschließlich Validierung strukturierter Ausgaben, Fehlerbehandlung, Wiederholungsversuchen, Qualitäts-Gates, Nachweisvalidierung und automatisierten Wiederherstellungsmechanismen.
- Entwicklung von Teststrategien für nicht-deterministisches KI-Verhalten unter Verwendung von Techniken wie deterministischen Fixtures, aufgezeichneten und wiederholten Interaktionen, Regressionssuiten, Evaluierungs-Harnesses und Qualitäts-Baselines.
- Entwicklung von Observability-Funktionen, einschließlich Tracing, Metriken, Logging, Evaluierungsdaten und wiederholbaren Ausführungshistorien zur Unterstützung von Produktions-Debugging und Leistungsanalyse.
- Entwurf von Human-in-the-Loop-Workflows, die Überprüfung, Genehmigung, Intervention und Änderung des Workflow-Status beinhalten.
- Aufbau und Wartung von APIs, backend-Diensten, relationalen Datenmodellen, Infrastruktur zur Job-Verarbeitung und unterstützenden Anwendungskomponenten.
- Entwicklung sicherer Methoden zur Ingestion und Verarbeitung von benutzerseitig bereitgestellten Dokumenten und anderen externen Inhalten.
- Optimierung von Systemen hinsichtlich Zuverlässigkeit, Latenz, Durchsatz, Skalierbarkeit, Ausgabequalität und Kosten pro Ausführung.
- Aufbau wiederverwendbarer Engineering-Muster und gemeinsamer Komponenten, die das Hinzufügen neuer Agenten, Modellanbieter, Tools, Workflows und Ausgabetypen vereinfachen.
- Verantwortung für technische Probleme von der ersten Untersuchung und Architektur bis hin zu Implementierung, Bereitstellung, Überwachung, Fehlerbehebung und laufendem Produktionsbetrieb.
- Direkte Zusammenarbeit mit Produkt-Stakeholdern und Fachexperten, um qualitative Anforderungen in messbares Systemverhalten und technische Lösungen zu übersetzen.
- Beitrag zu architektonischen Entscheidungen und Engineering-Standards für KI-gestützte Anwendungen in der gesamten Universität.
Qualifikationen
Erforderlich
- Umfangreiche Berufserfahrung in der Entwicklung und dem Betrieb von Produktionssoftware, mit fundierter Erfahrung in Go (Golang) oder nachgewiesener Tiefe in einer anderen backend-Sprache mit der Fähigkeit, sich schnell in Go einzuarbeiten.
- Praktische Erfahrung bei der Bereitstellung einer LLM-basierten Anwendung, eines KI-Agenten oder eines agentenbasierten Systems in die Produktion und deren Unterstützung nach der Bereitstellung.
- Fundiertes Verständnis der KI-Anwendungsarchitektur, einschließlich der Interaktion von Modellen, Agenten, Tools, APIs, Datenquellen, Diensten und Anwendungslogik.
- Nachgewiesene Kenntnisse in der Entwicklung verteilter Systeme, einschließlich Nebenläufigkeit, asynchroner Verarbeitung, Warteschlangen, Idempotenz, Wiederholungsversuchen, Teilfehlern, Statusverwaltung und Wiederherstellung.
- Erfahrung im Entwurf von Systemen, die zuverlässig bleiben, wenn einzelne Dienste, Provider oder Workflow-Phasen ausfallen.
- Nachgewiesene Testdisziplin für Systeme mit nicht-deterministischem Verhalten.
- Fundierte Erfahrung im Entwurf und der Nutzung von HTTP APIs.
- Erfahrung mit relationalen Datenbanken, SQL und persistentem Anwendungsstatus.
- Erfahrung beim Aufbau, der Bereitstellung, Überwachung und Fehlerbehebung von backend-Diensten in Produktionsumgebungen.
- Verständnis von Softwarearchitektur, Tests, Debugging, Observability und Produktions-Engineering-Praktiken.
- Fähigkeit, mehrdeutige technische Probleme unabhängig von der Untersuchung bis zur Produktionsimplementierung zu verantworten.
- Starkes analytisches Urteilsvermögen und die Fähigkeit, Zuverlässigkeit, Qualität, Leistung, Komplexität und Kosten abzuwägen.
Bevorzugte Qualifikationen
- Erfahrung mit KI-Agenten-Frameworks, Orchestrierungsmustern oder benutzerdefinierten Agentenarchitekturen, einschließlich eines Verständnisses dafür, wann ein Framework möglicherweise nicht geeignet ist.
- Erfahrung mit Retrieval-Augmented Generation (RAG), Embeddings, Vektordatenbanken, semantischer Suche oder Wissensabruf-Architekturen.
- Erfahrung in der Entwicklung von Evaluierungs- und Observability-Systemen für LLM-Anwendungen, einschließlich Tracing, Regressionssuiten, Qualitäts-Dashboards oder automatisierter Evaluierung.
- Erfahrung mit Judge-Modellen, Validierung strukturierter Ausgaben, Nachweisprüfung oder anderen KI-Qualitätskontrollmechanismen.
- Erfahrung im Entwurf von Human-in-the-Loop-Workflows, die Überprüfung, Genehmigung, Intervention oder Änderung des aktiven Workflow-Status beinhalten.
- Erfahrung mit Dokumentenverarbeitung, Headless-Browser-Rendering, Text-to-Speech, Bildgenerierung, Videogenerierung oder anderen Medien-Pipelines.
- Erfahrung mit ereignisgesteuerten Architekturen, dauerhaften Job-Warteschlangen und asynchroner Verarbeitung in großem Maßstab.
- Erfahrung mit Containern, Cloud-Infrastruktur, CI/CD und Produktionsbereitstellungsumgebungen.
- Verständnis von Prompt-Injection, Autorisierungsgrenzen, Datenisolierung und Sicherheitsaspekten bei der Verarbeitung nicht vertrauenswürdiger Inhalte durch KI-Systeme.
- Erfahrung in der Entwicklung von Systemen in Umgebungen, in denen die Genauigkeit der generierten Ausgabe erhebliche betriebliche, regulatorische, Compliance- oder Sicherheitsimplikationen hat.
Vergütung
Die Vergütung basiert auf Ausbildung, Erfahrung, Qualifikationen und interner Gerechtigkeit.
Mitarbeitervorteile
- Gesundheitsplan (Medizinisch, Zahnmedizinisch & Augenheilkunde)
- Altersvorsorge (401k)
- Spannende Universitätsveranstaltungen
- Saisonale motivierende Gesundheits- und Wellness-Challenges
- Initiativen zur Work-Life-Balance
- Wellness-Programm vor Ort / Chiropraktiker für Mitarbeiter
- Lebensversicherung (Basis, Freiwillig & AD&D)
- Bezahlter Urlaub (Urlaub, Krankheit & gesetzliche Feiertage)
- Familienurlaub (Mutterschaft, Vaterschaft)
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