Senior AI-ingenieur - RAG & Retrieval Engineering - Hongarije

Ervaren AI-engineer – expert in RAG- en Retrieval-engineering gezocht

Locatie: Boedapest, Hongarije – Hybride

Werkmodel: Regelmatige aanwezigheid op locatie in Boedapest vereist.

Focus: Productie RAG | Retrieval Engineering | LLM-systemen | AI-productontwikkeling

Let op... dit is geen functie waarbij je een LLM-diploma in een API stopt.

We zijn op zoek naar een ervaren AI-engineer met aantoonbare, praktische expertise in data-retrieval engineering om zich aan te sluiten bij een productgericht technologiebedrijf dat intelligente AI-functionaliteiten integreert in een bestaand bedrijfssoftwareplatform.

De kernuitdaging is complex: een grote en continu groeiende hoeveelheid bedrijfsgegevens uit de praktijk verwerken en ervoor zorgen dat een AI-systeem de juiste informatie in de juiste context en met meetbare nauwkeurigheid kan ophalen.

We hebben daarom iemand nodig die daadwerkelijk RAG-systemen voor productieomgevingen heeft gebouwd, gedebugd en verbeterd vanaf de basisprincipes – niet iemand die simpelweg documenten heeft gekoppeld aan een standaard framework of LLM API.

Je krijgt een aanzienlijke verantwoordelijkheid voor de zoeklaag en zult de nauwkeurigheid, betrouwbaarheid en het vermogen om echt onderbouwde aanbevelingen te genereren voortdurend verbeteren.

Uw voornaamste focus zal liggen op bergingstechniek , waaronder:

• Het ontwerpen en bouwen van productieklare producten. RAG-systemen vanaf nul opgebouwd.
• Het ontwikkelen van strategieën voor gegevensinvoer, chunking, embedding, indexering en retrieval.
• Uitvoering hybride retrievalwaarbij semantisch/vectorieel zoeken, metadatafiltering, trefwoord zoeken en herrangschikking worden gecombineerd.
• Gebouw meertraps ophaalpijpleidingen ontworpen met nauwkeurigheid als uitgangspunt, in plaats van louter semantische gelijkenis.
• Het selecteren en evalueren van inbeddingsmodellen en vectorzoekmethoden
• Werken met vectordatabases op productieschaal
• Het extraheren van schone, gestructureerde metadata uit onoverzichtelijke bedrijfsgegevens om de nauwkeurigheid van zoekopdrachten te verbeteren.
• Gebouw evaluatieharnassen die de nauwkeurigheid van de gegevensopvraging meten aan de hand van referentiegegevens.
• Analyse van mislukte zoekopdrachten en systematische prestatieverbetering
• Het ontwikkelen van validatielogica die bepaalt of opgehaalde informatie daadwerkelijk relevant is voor de context van de gebruiker, in plaats van dat deze slechts aannemelijk lijkt.
• Het opzetten van workflows voor menselijke beoordeling en feedback die de kwaliteit van zoekresultaten en validatie continu verbeteren.

Bredere AI-technologie:

Je levert ook een bijdrage aan het bredere AI-platform, waaronder:

• Snelle engineering en gestructureerde snelle architectuur
• Context engineering
• AI-gestuurde chat- en aanbevelingsworkflows
• Productie LLM-integratie
• Agentische workflows en het aanroepen van tools
• AI-evaluatie en observeerbaarheid
• Gedeelde AI-infrastructuur die door meerdere productteams wordt gebruikt.

Je werkt nauw samen met ervaren software-engineers, architecten en productteams. Daarom zoeken we iemand die technisch kan bijdragen en tegelijkertijd kritisch kan nadenken over hoe AI-systemen zich in een productieomgeving zouden moeten gedragen.

Wat we specifiek zoeken:

We zijn bewust minder geïnteresseerd in hoeveel jaar je in AI hebt gewerkt en veel meer in wat je daadwerkelijk hebt gebouwd.

Je moet uitgebreid kunnen vertellen over beslissingen die je zelf hebt genomen met betrekking tot:

• Chunking-strategie – hoe en waarom u de broninformatie hebt gestructureerd
• inbeddingsmodelselectie
• Vectorindexering en -opvraging
• Semantische zoekopdracht versus zoekopdracht op basis van trefwoorden
• Hybride zoeken
• Herrangschikking
• Nauwkeurigheid en relevantie van zoekresultaten
• Referentiegegevenssets
• RAG-evaluatie
• Hallucinatie en aarding
• Context engineering
• Fouten opsporen bij het ophalen van gegevens
• Het verbeteren van AI-productiesystemen in de loop van de tijd.

Als je RAG-ervaring voornamelijk bestaat uit LangChain + vectordatabase + LLM API , en je geen diepgaande kennis hebt van de retrieval-architectuur, is dit waarschijnlijk niet de juiste kans.

Essentiële technische ervaring:

• Sterke achtergrond in Python/software engineering
• Commerciële ervaring in de bouw productie van LLM-aangedreven producten of systemen
• Ruime praktijkervaring met RAG/bergingstechniek
• Vectordatabases en semantisch zoeken
• Hybride en meertraps ophaalmethode
• Herrangschikkingstechnieken
• Evaluatie van de zoekresultaten ten opzichte van de grondwaarheid
• Aanwijzingen en contextuele engineering
• REST API's
• CI/CD en implementatie in productie

Ervaring met een van de volgende zaken zou bijzonder waardevol zijn:

• Grafdatabases / GraphRAG
• LangGraph of vergelijkbare orchestratie-frameworks
• Multi-agentsystemen
• Tool-aanroep
• MCP
• Staatsbeheer
• AI-observatie-/evaluatieplatforms
• Gedeelde AI-infrastructuur of AI-platformen

We zijn met name geïnteresseerd in engineers die hebben gewerkt in productgerichte technologieomgevingen , waar ze verantwoordelijkheid hebben genomen voor AI-functionaliteiten die verder gingen dan het initiële prototype en hebben gezien hoe deze zich gedragen met echte gebruikers en echte productiedata.

Je werkt wellicht momenteel voor een bedrijf dat AI-producten ontwikkelt, een SaaS-bedrijf of een productontwikkelingsorganisatie . Of je komt misschien uit de consultancywereld en wilt nu de kans krijgen om je volledig te richten op één AI-product, in plaats van tussen kortlopende klantprojecten te wisselen.

Hoe dan ook, we zoeken iemand die denkt als een productontwikkelaar : bouw het, meet het, begrijp waarom het mislukt, verbeter het en neem de verantwoordelijkheid voor het resultaat.

Waarom zou je het overwegen?

Je komt terecht in een speciaal AI-team waar het ophalen van informatie geen bijzaak is, maar juist essentieel voor de intelligentie van het product.

In plaats van een kant-en-klare RAG-implementatie over te nemen, krijgt u daadwerkelijk invloed op hoe de retrieval-architectuur wordt ontworpen, geëvalueerd en verder ontwikkeld.

Je lost complexe AI-engineeringproblemen op met behulp van ingewikkelde, realistische bedrijfsdata, en je krijgt de kans om de impact van je werk te zien toenemen naarmate het product en de bijbehorende kennisbasis groeien.

Boedapest – Hybride

Je moet binnen redelijke reisafstand van Boedapest wonen en het geen probleem vinden om regelmatig met het team op locatie samen te werken.

Als u daadwerkelijk geavanceerde RAG/retrieval-systemen in productie hebt gebouwd en kunt uitleggen waarom uw retrieval-architectuur werkt, hoe u deze meet en wat u doet als deze niet werkt , dan zou ik graag met u in gesprek gaan.