Vyvíjí aplikace, které využívají modely AI a ML, často se podílí na integraci modelů do produktů. Spojuje AI modely s běžným softwarem pomocí Pythonu, API a cloudových AI služeb.
Trénuje, testuje a zlepšuje modely AI pro konkrétní úkoly jako rozpoznávání obrazu nebo jazykové zpracování. Vytváří algoritmy, které se učí z dat, používá přitom například TensorFlow nebo scikit-learn.
Koordinuje vývoj AI produktů, definuje cíle, sleduje roadmapu a propojuje technický a byznysový tým. Určuje směr vývoje AI funkcí, spolupracuje s vývojáři i zákazníky, používá nástroje jako Jira nebo Notion.
Automatizuje procesy okolo trénování a nasazení ML modelů, řeší správu dat, verzování a monitoring modelů. Stará se o provoz ML modelů v produkci, používá MLflow, DVC, Docker a cloudové služby.
Zajišťuje bezpečnost AI systémů, chrání je před útoky a analyzuje zranitelnosti v trénovacích datech nebo modelech. Brání zneužití AI modelů, používá nástroje pro audit a testování robustness AI systémů.
Implementuje serverovou logiku, API a datové toky potřebné pro fungování AI aplikací. Vyvíjí infrastrukturu, která spojuje frontend s AI modely, používá Node.js, Python nebo Java.
Navrhuje a vyvíjí uživatelská rozhraní pro interakci s AI aplikacemi. Přináší AI výsledky koncovým uživatelům skrze webové nebo mobilní aplikace, využívá React, Vue nebo Flutter.
Připravuje, transformuje a spravuje datové pipeline pro trénování modelů AI. Buduje datovou infrastrukturu pro AI modely, používá Apache Spark, Kafka, dbt a cloudové datové sklady.
Testuje kvalitu AI systémů, automatizuje testy a ověřuje správnost modelů i jejich integraci. Kontroluje, zda AI funguje správně, automatizuje testy pomocí PyTest, Selenium nebo custom skriptů.
Specializuje se na vývoj, ladění a nasazování velkých jazykových modelů jako GPT, Azure OpenAI, BERT či Copilot. Pracuje s rozsáhlými textovými modely, používá nástroje jako HuggingFace Transformers, LoRA, RAG, nebo PEF – musí znát databáze (klasicky SQL).