AI Systems Architect

🕒 vor 5 Tagen

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

TubeScience

WebsiteLinkedInAlle Stellen

201 - 500 Mitarbeiter

Gegründet 2016

📣 Marketing

📱 Medien

🤝 B2B

Marketing • Media • B2B

TubeScience ist eine leistungsorientierte Kreativagentur, die videozentrierte Werbung für Marken mit einem Pay-for-Performance-Modell produziert und skaliert. Als größter kreativer Partner von Meta kombiniert TubeScience Strategie, interne Produktion (9. 300 m² Studio in Los Angeles) und Expertenwissen im Performance-Media-Einkauf, um plattformnative Anzeigen auf sozialen Netzwerken, Streaming-Diensten und TV/CTV zu erstellen und zu testen. Das Unternehmen betreibt außerdem die TubeScience Labs – ein angewandtes KI-Team, das interne Tools (Creative Intelligence und eine KI-Plattform für Marken- und Rechtsüberprüfung namens Flawless) entwickelt, um die Iteration zu beschleunigen und die Einhaltung von Vorschriften sowie Markentreue zu gewährleisten. TubeScience bedient Kunden aller Größenordnungen im E-Commerce, D2C und regulierten Industrien und legt den Schwerpunkt auf messbare Ergebnisse (ROAS/CPA) mit einem Budget-Allokationsmodell, das nur leistungsstärkste Anzeigen finanziert.

Beschreibung

• Own the infrastructure core: Set the technical strategy for the media pipelines, LLM routing, distributed data systems, and observability tooling that the entire platform runs on — and architect them from first principles. • Design AI agent systems: Build AI agents and multi-agent systems from the ground up — orchestration, tool-calling, MCP servers, A2A dispatch, and the permissions and observability infrastructure that makes them reliable in production. • Go deep on distributed systems: Push into the hard parts — data flow, fault boundaries, consistency trade-offs, performance under load — to build infrastructure that holds up when it matters. • Raise the bar on reliability: Design for observability from day one — tracing, metrics, structured logging — and build the quality systems that let a fast-moving team move without breaking things. • Shape the roadmap: Bring an engineering point of view to platform strategy — what we should build, in what order, and why.

🎯 Anforderungen

• Have set technical direction across teams, and can point to specific systems you architected and operated in production, and the moments where you brought people along. • Are deeply expert in distributed systems including the layers below the framework — data flow, fault tolerance, consistency, and performance under real load. • Design AI agents and agentic systems: orchestration, tool-calling, multi-agent coordination, and the infrastructure that makes them observable and production-ready. • Have built large-scale platforms from scratch — making the foundational decisions and living with them — not just joined a mature codebase. • Design clean, durable APIs across REST, gRPC, event-driven, and schema-based systems, and are fluent with MCP, A2A, schema registries, and tool-calling normalization. • Know media pipelines deeply — transcoding, ffmpeg-class tooling, cloud storage, large-object processing — with strong hands-on depth across PostgreSQL, OpenSearch, Redis, Docker, Kubernetes, and Terraform or Pulumi. • Are the person teams want in the room when a hard architectural call has to be made.

🏖️ Vorteile

• Competitive compensation • Comprehensive benefits • Generous access to frontier and open-weight models for day-to-day work, prototyping, and evals