Senior AI Engineer

Als Senior AI Engineer sind Sie verantwortlich für die KI- und Datenebene der Plattform. Sie entwerfen und implementieren die Architektur des Wissensgraphen, bauen agentische Pipelines, die Entitätsdaten durch KI-Webforschung anreichern, und entwickeln die Abfrageschicht des Graphen, die natürliche Sprachfragen zur Compliance in strukturierte Graphabfragen übersetzt. Sie arbeiten eng mit dem CTO und einem kleinen KI-Team, einschließlich eines Dateningenieurs und eines Junior AI Engineers, zusammen. Sie haben erhebliche technische Autonomie und direkten Einfluss darauf, wie sich das Produkt entwickelt.

Was Sie bearbeiten werden:

• Wissensgraph-Architektur und -Implementierung: Eigenverantwortung und Weiterentwicklung des Wissensgraph-Datenmodells der Plattform — Entitäten (Unternehmen, Person, Gemeinschaft, episodisch), Beziehungen und zeitliche Attribute.
• Implementierung und Erweiterung benutzerdefinierter Entitäts- und Beziehungsextraktionspipelines unter Verwendung von LMs, mit strukturierter Ausgabevalidierung und Vertrauensbewertung.
• Verwendung von Graphiti (Zep AIs temporales Wissensgraph-Framework) als Speicherschicht, Verwaltung der Episodenaufnahme, Entitätsauflösung und Graphaktualisierungen.
• Entwurf und Durchsetzung von Graphschema-Standards, um Konsistenz über Datenquellen und Aufnahme-Pipelines hinweg sicherzustellen.
• Aufbau von Evaluierungsrahmen zur Messung der Extraktionsqualität, Genauigkeit der Entitätsdisambiguierung und Graphabdeckung.
• Agentische KI-Pipelines: Entwurf und Implementierung mehrstufiger agentischer Workflows, die LLM-Aufrufe, Websuche, Datenbankabfragen und Graphschreibvorgänge orchestrieren.
• Integration von KI-Websuche (Tavily, Perplexity oder ähnliches) als Werkzeug innerhalb agentischer Pipelines zur Echtzeitanreicherung von Entitäten.
• Aufbau von Retrieval-augmented Generation (RAG)-Pipelines über den Wissensgraphen, die Compliance-Anfragen in Cypher und natürliche Sprachantworten übersetzen.
• Implementierung der Abfrageschicht des Graphen — eine konversationelle Schnittstelle für Compliance-Analysten, um den Wissensgraphen abzufragen, ohne Cypher schreiben zu müssen.
• Verwaltung von LLM-API-Integrationen (Anthropic Claude, Gemini), einschließlich Prompt-Engineering, strukturierte Ausgaben und Kosten-/Latenzoptimierung.
• Datenpipelines und Integrationen: Aufbau und Wartung von Python-basierten Datenaufnahme-Pipelines, die von Databricks lesen, sich mit externen APIs (Sanktionslisten, Unternehmensregister, Polixis, Vantage) verbinden und in Neo4j schreiben.
• Implementierung von NER (Named Entity Recognition) und Logik zur Entitätsdisambiguierung zur Extraktion strukturierter Fakten aus unstrukturierten Compliance-Dokumenten.
• Entwicklung von Themenmodellierungs-Pipelines zur Klassifizierung extrahierter Fakten als Attribute von Wissensgraphbeziehungen.
• Integration mit dem .NET-Backend über gut definierte HTTP-Verträge, um sicherzustellen, dass die KI-Schicht unabhängig bereitstellbar und testbar ist.
• Forschung und technische Führung: Aktuell bleiben mit der sich schnell entwickelnden Literatur zu agentischer KI und Wissensgraphen — neue Frameworks, Modelle und Techniken auf Produktionsanwendbarkeit bewerten.
• Beitrag zu architektonischen Entscheidungen mit Beweisen: Benchmarks, Prototypen und dokumentierte Abwägungen.
• Pflege von Claude-Code-Kontextdateien (CLAUDE.md, SKILLS.md) für die KI-Codebasis, um KI-unterstützte Entwicklung im gesamten Team zu ermöglichen.
• Schreiben klarer technischer Dokumentation in Notion, die Designentscheidungen, Datenmodelle und betriebliche Handbücher abdeckt.

Was wir suchen:

• Must-have: 3+ Jahre Berufserfahrung in der AI/ML-Entwicklung, davon mindestens 1 Jahr Erfahrung mit Wissensgraphen oder graphbasierten Datensystemen in der Produktion.
• Praktische Erfahrung mit Neo4j — Datenmodellierung, Cypher-Abfrageerstellung, Schema-Design und Leistungsoptimierung.
• Tiefe Vertrautheit mit LLM-APIs (OpenAI, Anthropic oder Gemini) — Prompt-Engineering, strukturierte Ausgaben, Funktions-/Toolaufrufe und Kostenmanagement.
• Verständnis der Abwägungen zwischen LLMs und kleineren feinabgestimmten Modellen (Hugging Face Transformers, sentence-transformers) — wissen, wann ein speziell entwickeltes Modell ein allgemeines Modell in Bezug auf Kosten, Latenz und Genauigkeit übertrifft.
• Erfahrung im Aufbau agentischer Pipelines — mehrstufige LLM-Workflows mit Werkzeugnutzung, Speicher- und Zustandsverwaltung.
• Python-Kenntnisse — Sie schreiben sauberen, testbaren Python-Code und verstehen asynchrone Muster für I/O-gebundene AI-Arbeitslasten.
• Erfahrung mit RAG-Architekturen — Vektorsuche, hybride Abrufmethoden und Integration von Abruf in LLM-gestützte Anwendungen.
• Fähigkeit, AI-Forschungspapiere zu lesen und anzuwenden — Sie können ein Papier über narrative Extraktion oder Entitätsdisambiguierung nehmen und es in einen funktionierenden Prototyp umsetzen.
• Starke Englischkenntnisse — schriftlich und mündlich.

Starker Vorteil:

• Direkte Erfahrung oder Kenntnisse mit Graphiti (Zep AI) oder anderen temporalen Wissensgraph-Frameworks.
• Vertrautheit mit Techniken zur Entitätsauflösung und -disambiguierung im großen Maßstab.
• Erfahrung mit NER-Pipelines, Themenmodellierung oder Informationsgewinnung aus Compliance- oder Finanzdokumenten.
• Kenntnisse im Bereich Drittrisiko, Sanktionsprüfung oder KYC/AML.
• Erfahrung mit Databricks, Delta Lake oder ähnlichen Data-Lakehouse-Plattformen.
• Einblick in GCP (Vertex AI, Cloud Run, Pub/Sub, Cloud Storage).
• Erfahrung im Entwurf von Evaluierungsrahmen für LLM-generierte strukturierte Ausgaben.
• Frühere Tätigkeit in einer RegTech-, FinTech- oder compliance-nahen Umgebung.

Was in dieser Rolle gut aussieht:

• Das Wissensgraph-Datenmodell als das wichtigste Artefakt des Produkts betrachten — sorgfältig über Schemaentscheidungen nachdenken und diese dokumentieren.
• Die Literatur lesen. Bei der Bewertung eines neuen Ansatzes zur Entitätsdisambiguierung oder Graphenspeicher prüfen sie, was veröffentlicht wurde, nicht nur, was auf GitHub steht.
• Evaluierungsrahmen erstellen, bevor sie Pipelines skalieren. Sie wissen, dass eine Pipeline, die plausibel aussehende Ausgaben produziert, nicht dasselbe ist wie eine, die korrekte Ausgaben produziert.
• Blockaden und Abwägungen frühzeitig kommunizieren. Technische Unsicherheiten sind zu erwarten — Stille ist nicht.