Senior KI-Ingenieur – RAG- und Retrieval-Engineering – Ungarn

Senior KI-Ingenieur – Experte für RAG- und Retrieval-Engineering gesucht

Ort: Budapest, Ungarn – Hybrid

Arbeitsmodell: Regelmäßige Anwesenheit vor Ort in Budapest erforderlich

Schwerpunkt: Produktions-RAG | Retrieval-Engineering | LLM-Systeme | KI-Produktentwicklung

Hinweis: Dies ist keine Rolle, bei der man einen LLM an eine API anschließt.

Wir suchen einen erfahrenen KI-Ingenieur mit fundierten praktischen Kenntnissen im Bereich Retrieval Engineering, der unser produktorientiertes Technologieunternehmen verstärkt und intelligente KI-Funktionen in eine etablierte Unternehmenssoftwareplattform integriert.

Die zentrale Herausforderung ist komplex: Es gilt, einen großen und ständig wachsenden Pool realer Unternehmensdaten zu nutzen und sicherzustellen, dass ein KI-System die richtigen Informationen im richtigen Kontext mit messbarer Genauigkeit abrufen kann.

Wir brauchen daher jemanden, der tatsächlich RAG-Produktionssysteme von Grund auf aufgebaut, debuggt und verbessert hat – und nicht einfach nur Dokumente mit einem Standard-Framework oder einer LLM-API verbunden hat.

Sie übernehmen maßgebliche Verantwortung für die Retrieval-Ebene und verbessern kontinuierlich deren Genauigkeit, Zuverlässigkeit und Fähigkeit, wirklich fundierte Empfehlungen zu generieren.

Ihr Hauptaugenmerk liegt auf der Datenrückgewinnung , einschließlich:

• Entwicklung und Bau von Serienprodukten RAG-Systeme von Grund auf
• Entwicklung von Strategien für die Datenaufnahme, das Chunking, das Einbetten, die Indizierung und den Abruf
• Umsetzung Hybrid-Retrieval, Kombination aus semantischer/Vektorsuche, Metadatenfilterung, Stichwortsuche und Neubewertung
• zum mehrstufige Abrufpipelines konzipiert, wobei Genauigkeit und nicht bloß semantische Ähnlichkeit im Vordergrund steht.
• Auswahl und Bewertung von Einbettungsmodellen und Vektorsuchverfahren
• In Zusammenarbeit mit Vektordatenbanken im Produktionsmaßstab
• Extraktion sauberer, strukturierter Metadaten aus unstrukturierten Unternehmensdaten zur Verbesserung der Abrufgenauigkeit
• zum Evaluierungsgurte die die Genauigkeit des Abrufs anhand von Referenzdatensätzen messen
• Analyse von Abruffehlern und systematische Leistungsverbesserung
• Entwicklung einer Validierungslogik, die feststellt, ob die abgerufenen Informationen tatsächlich relevant für den Kontext des Benutzers sind oder lediglich plausibel erscheinen.
• Entwicklung von Arbeitsabläufen für die menschliche Überprüfung und das Feedback, die die Qualität der Datenabfrage und -validierung kontinuierlich verbessern.

Weiter gefasste KI-Entwicklung:

Sie werden außerdem zur umfassenderen KI-Plattform beitragen, unter anderem durch:

• Schnelle Entwicklung und strukturierte, schnelle Architektur
• Kontextgestaltung
• KI-gestützte Chat- und Empfehlungs-Workflows
• Integration des Produktions-LLM
• Agentische Workflows und Tool-Aufrufe
• KI-Evaluierung und Beobachtbarkeit
• Gemeinsame KI-Infrastruktur, die von mehreren Produktteams genutzt wird

Sie arbeiten eng mit erfahrenen Softwareingenieuren, Architekten und Produktteams zusammen. Daher suchen wir jemanden, der sowohl technisch mitwirken als auch kritisch darüber nachdenken kann, wie sich KI-Systeme im Produktivbetrieb verhalten sollten.

Wonach wir konkret suchen:

Wir interessieren uns bewusst weniger dafür, wie viele Jahre Sie im Bereich KI gearbeitet haben, sondern vielmehr dafür, was Sie tatsächlich entwickelt haben.

Sie sollten in der Lage sein, ausführlich über Entscheidungen zu sprechen, die Sie persönlich in folgenden Bereichen getroffen haben:

• Chunking-Strategie – wie und warum Sie die Quellinformationen strukturiert haben
• Auswahl des Einbettungsmodells
• Vektorindizierung und -abfrage
• Semantische vs. Keyword-Retrieval
• Hybridsuche
• Neueinstufung
• Genauigkeit und Relevanz der Abfrage
• Referenzdatensätze
• RAG-Bewertung
• Halluzination und Erdung
• Kontextgestaltung
• Fehlerbehebung bei Abruffehlern
• Verbesserung von KI-Systemen in der Produktion im Laufe der Zeit

Wenn Ihre RAG-Erfahrung hauptsächlich auf LangChain + Vektordatenbank + LLM API beschränkt ist und Sie kein tieferes Verständnis für die Retrieval-Architektur besitzen, ist dies wahrscheinlich nicht die richtige Gelegenheit für Sie.

Erforderliche technische Erfahrung:

• Fundierte Python-/Softwareentwicklungskenntnisse
• Aufbau von Geschäftserfahrung Produktion von LLM-betriebenen Produkten oder Systemen
• Fundierte praktische Erfahrung in der RAG-/Retrieval-Technik
• Vektordatenbanken und semantische Suche
• Hybride und mehrstufige Bergung
• Neubewertungstechniken
• Abrufbewertung anhand der tatsächlichen Ergebnisse
• Prompt- und Kontextgestaltung
• REST-APIs
• CI/CD- und Produktionsbereitstellung

Erfahrung in einem der folgenden Bereiche wäre besonders wertvoll:

• Graphdatenbanken / GraphRAG
• LangGraph oder ähnliche Orchestrierungsframeworks
• Multiagentensysteme
• Werkzeugaufruf
• MCP
• Staatliche Verwaltung
• KI-Beobachtbarkeits-/Evaluierungsplattformen
• Gemeinsame KI-Infrastruktur oder KI-Plattformen

Wir sind besonders an Ingenieuren interessiert, die in produktorientierten Technologieumgebungen gearbeitet haben , in denen sie KI-Funktionen über den ersten Prototyp hinaus verantwortet und gesehen haben, wie diese sich bei echten Benutzern und realen Produktionsdaten verhalten.

Möglicherweise arbeiten Sie derzeit für ein KI-Produktunternehmen, ein SaaS-Unternehmen oder eine Produktentwicklungsorganisation , oder Sie kommen aus dem Beratungsbereich und möchten nun die Möglichkeit haben, ein KI-Produkt umfassend zu betreuen, anstatt zwischen kurzfristigen Kundenprojekten hin und her zu wechseln.

In jedem Fall suchen wir jemanden, der wie ein Produktentwickler denkt : entwickeln, messen, verstehen, warum es scheitert, verbessern und die Verantwortung für das Ergebnis übernehmen.

Warum sollte man das in Betracht ziehen?

Sie werden Teil einer spezialisierten KI-Abteilung, in der die Datenabfrage keine Nebensache ist – sie ist zentral für die Intelligenz des Produkts.

Anstatt eine fertige RAG-Implementierung zu übernehmen, haben Sie echten Einfluss darauf, wie die Retrieval-Architektur entworfen, evaluiert und weiterentwickelt wird.

Sie werden schwierige KI-Engineering-Probleme anhand komplexer realer Unternehmensdaten lösen und dabei die Möglichkeit haben, zu sehen, wie sich die Auswirkungen Ihrer Arbeit mit dem Wachstum des Produkts und seiner Wissensbasis verstärken.

Budapest – Hybrid

Sie müssen in realistischer Pendelentfernung zu Budapest wohnen und sich wohlfühlen, regelmäßig mit dem Team vor Ort zusammenzuarbeiten.

Wenn Sie tatsächlich anspruchsvolle RAG-/Retrieval-Systeme im Produktiveinsatz entwickelt haben und erklären können, warum Ihre Retrieval-Architektur funktioniert, wie Sie sie messen und was Sie tun, wenn sie nicht funktioniert , wäre ich sehr an einem Gespräch mit Ihnen interessiert.