AI Engineer

Data lowongan bersumber dari glints. Tombol “Lamar” mengarahkan Anda ke halaman aslinya.

Tentang Peran

Membangun dan memimpin eksekusi teknis sistem agentic AI. Bekerja dengan LLM dari provider publik (OpenAI, Anthropic, Google) maupun model open source (LLaMA, Mistral, Qwen, dst.) yang di-host secara mandiri. Bertanggung jawab atas LLM pipeline, n8n workflow, RAG, prompt engineering, fine-tuning model open source, dan menjadi acuan teknis AI di tim.

Tanggung Jawab

• Memimpin desain dan implementasi agentic AI workflow menggunakan n8n (multi-step, multi-agent)
• Merancang arsitektur agent memory (working memory, procedural, semantic, episodic) dan strategi konsolidasi/summarization
• Membangun dan mengoptimalkan RAG pipeline end-to-end: chunking, embedding, retrieval, reranking
• Merancang dan mengelola strategi prompt: system prompt, versioning, A/B testing, dan prompt governance
• Mengevaluasi, mengadaptasi, dan men-deploy model LLM open source (LLaMA, Mistral, Qwen, dst.) sesuai kebutuhan use case
• Melakukan fine-tuning atau parameter-efficient training (LoRA, QLoRA) pada model open source bila diperlukan
• Mengimplementasikan tracing per-run dan evaluasi output LLM: relevance, accuracy, hallucination detection, dan cost tracking
• Menjalankan proses diagnose-fix-reeval saat eval gagal, serta menetapkan gate sebelum release ke production
• Menerapkan AI safety dan guardrails: content filtering, output validation, fallback logic antar LLM provider
• Mengoptimalkan strategi pemilihan model (public vs open source) berdasarkan kebutuhan performa, biaya, dan privasi data
• Menjadi acuan teknis (go-to person) untuk keputusan LLM engineering di tim
• Berkolaborasi dengan Platform Architect untuk memastikan sistem AI selaras dengan arsitektur platform
• Tech Stack & Skills
• LLM Services: OpenAI API, Anthropic Claude API, Gemini API — function calling, streaming, multi-provider
• Open Source LLM: LLaMA, Mistral, Qwen, Gemma — deployment & inference (vLLM, Ollama, llama.cpp)
• Fine-tuning: LoRA, QLoRA, instruction tuning — parameter-efficient training pada model open source
• Agentic Workflow: n8n, Langchain, Langgraph, Pydantic, API integration, multi-step agent design
• Memory & Data Layer: vector store, SQL DB, file-based skill instructions untuk agent memory
• RAG & Vector Search: pgvector, Weaviate, Pinecone — chunking strategy, embedding, reranking
• Prompt Engineering: system prompt design, few-shot, chain-of-thought, structured output
• LLM Observability: Langfuse, LangSmith, Helicone — tracing, eval, token cost monitoring
• AI Safety: guardrails, content filtering, output validation, hallucination mitigation
• Back-end: Python / Node.js, REST API, microservices
• Cloud & Infra: GCP, PostgreSQL, Redis, Docker, GPU instance management