Senior AI Engineer

🕒 vor 1 Monat

Jetzt Bewerben

Ähnliche Remote-Jobs finden

E-Mail-Benachrichtigung für neue Jobs einrichten

📊 Überprüfen Sie Ihre Lebenslauf-Bewertung für diese Stelle

Verbessern Sie Ihre Chancen auf ein Vorstellungsgespräch, indem Sie Ihre Lebenslauf-Bewertung vor der Bewerbung überprüfen.

Lebenslauf hochladen

Control Risks

WebsiteLinkedInAlle Stellen

1001 - 5000 Mitarbeiter

Gegründet 1975

📦 Logistik

📣 Marketing

✈️ Reisen

💰 Private Equity Round im 2011-03

Logistics • Marketing • Travel

Control Risks ist ein global tätiges Beratungsunternehmen für Risikomanagement. Es unterstützt Organisationen dabei, sich in einer volatilen Welt zurechtzufinden und erfolgreich zu sein, indem es strategische Beratung und Dienstleistungen in Bereichen wie Sicherheitsrisikomanagement, operative und schützende Sicherheit, organisatorische Resilienz, Krisenmanagement, digitale Risiken und mehr bietet. Das Unternehmen liefert Einblicke in politische und länderspezifische Risiken, Ethik, Compliance und Governance sowie forensische und ESG-Dienstleistungen (Umwelt, Soziales und Unternehmensführung). Control Risks verfolgt das Ziel, sicherzustellen, dass seine Kunden auf verschiedene Risikofaktoren, die ihre Geschäftstätigkeit weltweit beeinflussen können, vorbereitet sind und effizient damit umgehen können.

Beschreibung

• Verantwortung für und Weiterentwicklung des Knowledge-Graph-Datenmodells der Plattform — Entitäten (Company, Person, Community, Episodic), Beziehungen und zeitliche Attribute • Implementierung und Erweiterung kundenspezifischer Extraktions-Pipelines für Entitäten und Beziehungen mithilfe von LLMs, inklusive Validierung strukturierter Outputs und Confidence-Scoring • Nutzung von Graphiti (das temporale Knowledge-Graph-Framework von Zep AI) als Memory-Layer zur Verwaltung von Episode-Ingestion, Entity-Resolution und Graph-Updates • Entwurf und Durchsetzung von Graph-Schema-Standards zur Sicherstellung von Konsistenz über Datenquellen und Ingestion-Pipelines hinweg • Aufbau von Evaluations-Frameworks zur Messung der Extraktionsqualität, der Genauigkeit der Entity-Disambiguierung und der Graph-Abdeckung • Entwurf und Implementierung mehrstufiger agentischer Workflows, die LLM-Aufrufe, Web-Suche, Datenbankabfragen und Graph-Schreibvorgänge orchestrieren • Integration von AI-Web-Suchdiensten (z. B. Tavily, Perplexity) als Tools in agentischen Pipelines zur Echtzeit-Anreicherung von Entitäten • Aufbau von Retrieval-Augmented-Generation-(RAG)-Pipelines über den Knowledge Graph, die Compliance-Anfragen in Cypher übersetzen und Antworten in natürlicher Sprache liefern • Implementierung der Graph-Interrogationsschicht — eine konversationelle Schnittstelle für Compliance-Analysten, um den Knowledge Graph ohne Cypher-Abfragen zu befragen • Management von LLM-API-Integrationen (z. B. Anthropic Claude, Gemini) einschließlich Prompt Engineering, strukturierter Outputs sowie Kosten- und Latenzoptimierung • Aufbau und Wartung Python-basierter Data-Ingestion-Pipelines, die Daten aus Databricks lesen, sich mit externen APIs verbinden (Sanktionslisten, Handelsregister, Polixis, Vantage) und in Neo4j schreiben • Implementierung von NER (Named Entity Recognition) und Entity-Disambiguierungslogik zur Extraktion strukturierter Fakten aus unstrukturierten Compliance-Dokumenten • Entwicklung von Topic-Modelling-Pipelines zur Klassifizierung extrahierter Fakten als Attribute von Knowledge-Graph-Beziehungen • Integration mit dem .NET-Backend über klar definierte HTTP-Verträge, sodass die AI-Schicht unabhängig deploybar und testbar ist • Laufende Verfolgung der schnelllebigen Forschung zu agentischer AI und Knowledge Graphs — Bewertung neuer Frameworks, Modelle und Techniken hinsichtlich Produktionsreife • Beitrag zu Architekturentscheidungen auf Basis fundierter Erkenntnisse: Benchmarks, Prototypen und dokumentierte Trade-offs • Pflege von Claude-Code-Kontextdateien (CLAUDE.md, SKILLS.md) für die AI-Codebasis, um AI-gestützte Entwicklung im Team zu ermöglichen • Verfassen klarer technischer Dokumentation in Notion zu Design-Entscheidungen, Datenmodellen und Operational Runbooks.

🎯 Anforderungen

• Mindestens 3 Jahre Berufserfahrung im AI/ML-Engineering, davon mindestens 1 Jahr praktische Erfahrung mit Knowledge Graphs oder graphbasierten Daten­systemen im Produktionsbetrieb • Praktische Erfahrung mit Neo4j — Datenmodellierung, Cypher-Abfragen, Schemadesign und Performance-Tuning • Fundierte Kenntnisse mit LLM-APIs (z. B. OpenAI, Anthropic, Gemini) — Prompt Engineering, strukturierte Outputs, Function/Tool-Calling und Kostenmanagement • Verständnis der Trade-offs zwischen LLMs und kleineren, feinabgestimmten Modellen (z. B. Hugging Face Transformers, sentence-transformers) — einschätzen können, wann ein spezialisiertes Modell ein allgemein promptetes Modell hinsichtlich Kosten, Latenz und Genauigkeit übertrifft • Erfahrung im Aufbau agentischer Pipelines — mehrstufige LLM-Workflows mit Tool-Nutzung, Memory- und State-Management • Sehr gute Python-Kenntnisse — Sie schreiben sauberen, testbaren Code und verstehen asynchrone Muster für I/O-lastige AI-Workloads • Erfahrung mit RAG-Architekturen — Vektor-Suche, hybrides Retrieval und Integration von Retrieval in LLM-basierte Anwendungen • Fähigkeit, AI-Forschungspapiere zu lesen und anzuwenden — Sie können eine Arbeit zu Narrative Extraction oder Entity-Disambiguierung in einen funktionierenden Prototypen überführen • Sehr gute Englischkenntnisse in Wort und Schrift • Direkte Erfahrung oder Kenntnisse mit Graphiti (Zep AI) oder anderen temporalen Knowledge-Graph-Frameworks • Vertrautheit mit Techniken zur Entity-Resolution und Disambiguierung im großen Maßstab • Erfahrung mit NER-Pipelines, Topic Modelling oder Information Extraction aus Compliance- oder Finanzdokumenten • Kenntnisse im Bereich Drittparteirisiko, Sanktionsprüfung oder KYC/AML • Erfahrung mit Databricks, Delta Lake oder ähnlichen Data-Lakehouse-Plattformen • Erfahrung mit GCP (z. B. Vertex AI, Cloud Run, Pub/Sub, Cloud Storage) • Erfahrung im Entwurf von Evaluations-Frameworks für von LLMs erzeugte strukturierte Outputs • Frühere Tätigkeit in einem RegTech-, FinTech- oder compliance-nahen Umfeld