Solutions Architect with AI SDLC

masz co najmniej 7 lat doświadczenia w IT , w tym minimum 2 lata praktycznej pracy z rozwiązaniami AI , w szczególności wspierającymi proces SDLC,

posiadasz solidne doświadczenie architektoniczne w projektowaniu i wdrażaniu systemów w technologiach .NET, Java lub Node.js ,

posiadasz praktyczną znajomość co najmniej jednej chmury publicznej: AWS lub Azure , w tym projektowania architektury, doboru usług oraz aspektów kosztowych i bezpieczeństwa,

tworzyłeś oprogramowanie w ramach zautomatyzowanego, AI-wspomaganego procesu SDLC , obejmującego development, testy i CI/CD,

znasz i wykorzystywałeś komercyjnie w praktyce narzędzia AI wspomagające development , takie jak GitHub Copilot, Cursor, Claude Code oraz popularne MCP ,

posiadasz bardzo dobrą znajomość Generative AI i integracji modeli LLM oraz rozumiesz ich realne zastosowanie w procesach biznesowych, delivery oraz wytwarzaniu oprogramowania,

masz doświadczenie w projektowaniu i wdrażaniu systemów opartych o AI, takich jak RAG, semantyczne wyszukiwanie, workflow AI oraz single- i multi-agentowe systemy AI,

posiadasz bardzo dobrą znajomość projektowania autonomicznych agentów AI oraz systemów zdolnych do samodzielnego wytwarzania oprogramowania (agentic coding / autonomous software engineering), w tym orkiestracji zadań, kontroli jakości, walidacji oraz podejmowania decyzji w ramach SDLC,

masz praktyczne doświadczenie w optymalizacji kosztów i wydajności rozwiązań opartych o LLM , w szczególności w obszarach takich jak token usage optimization, prompt engineering, zarządzanie kontekstem, caching, dobór modeli i parametrów,

pracowałeś z platformami Microsoft w kontekście AI (np. Microsoft Copilot Studio, AI Foundry, Microsoft Agent Framework) lub rozwiązaniami równoważnymi,

projektujesz i wyceniasz rozwiązania AI, uwzględniając wymagania biznesowe, specyfikę danych, ograniczenia technologiczne oraz koszty utrzymania,

masz doświadczenie w działaniach R&D w obszarze AI , prototypowaniu oraz iteracyjnym testowaniu rozwiązań, gdzie celem jest budowa w pełni autonomicznego procesu SDLC z elementami self-improvement (np. uczenie się na błędach, self-eval, feedback loop, automatyczna optymalizacja promptów, narzędzi i pipeline’ów).