Lead AI/ML Engineer

Stelle nicht auf LinkedIn

🕒 vor 21 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

UFS Tech

WebsiteLinkedInAlle Stellen

201 - 500 Mitarbeiter

🏦 Bankwesen

💳 Fintech

🔒 Cybersecurity

💰 €19.920.400 Venture Round - UFS im 2019-05

Banking • Fintech • Cybersecurity

Die UFS Tech ist ein Technologiedienstleister, der sich auf die Unterstützung von Genossenschaftsbanken konzentriert. Sie bietet Kernbank- und Digitalbankplattformen, Zahlungsverkehr, Cash Management und Kundenbindungswerkzeuge zusammen mit verwalteten IT-Diensten (Private Cloud, gehostete E-Mail, Endbenutzer-Support), Cybersecurity-Angebote (virtuelles Firewall-Management, Schwachstellenmanagement, SureProtect/SureWatch), Backup und Disaster Recovery, Dokumentenbild- und -lieferung sowie Beratungsleistungen für IT-Sicherheit und regulatorische Compliance an. UFS positioniert sich als Partner für Genossenschaftsbanken, indem es maßgeschneiderte, modulare Lösungen und professionelle Dienstleistungen anbietet, um den Banken zu helfen, sicher zu arbeiten, regulatorische Anforderungen zu erfüllen und Kundenbeziehungen auszubauen.

Beschreibung

• Build Navanta’s retrieval and verifications over data systems, with shown queries and citations for every answer • Stand up self-hosted open-weight models serving and embeddings inside each bank’s environment or shared environments for Navanta; evolve RAG to a dedicated standard • Design the MCP tool layer that exposes a small, audited set of read-only tools (metrics, documents, customer 360), eventually growing into read/write tools with heavy amounts of regulated, highly sensitive data • Build and maintain the evaluation harness — golden-question regression, groundedness and retrieval metrics, explicit “I don’t know” behavior — and make it a release gate • Implement LLM guardrails: PII redaction in prompts and context, prompt-injection defenses, and cost and row limits aligned to regulatory security expectations • Partner with data teams so the model selects governed metrics from the semantic layer rather than improvising SQL • Document model architecture, evaluation methodology, and guardrail controls to support customer security reviews and audit readiness • Track latency, cost, and quality trade-offs across model versions and deployment configurations

🎯 Anforderungen

• 6–10+ years building software, with 2–3+ years shipping production LLM, RAG, or NLP systems used by real people — not prototypes • A demonstrated focus on accuracy and evaluation, not just demos • Strong Python and solid software-engineering fundamentals • Comfort operating self-hosted open-weight models and reasoning about latency, cost, and quality trade-offs

🏖️ Vorteile

• Typical office environment • Up to 20% travel time may be required