Saltar al contenido principal

Plataforma de agentes

Ingeniero de IA

Construye los agentes que funcionan cada noche en producción en ALDO Group, y las evaluaciones y la trazabilidad que muestran si sus propuestas son correctas.

  • Híbrido / remoto (Canadá, horario común del Este)
  • Montreal, Canadá (preferido)
  • Remoto, Canadá
  • Jornada completa

Publicado 10 nov 2025

Presentar candidatura

El puesto

OODARIS es el Agentic OS para decisiones de retail. Cada noche detecta qué ha cambiado en el negocio de una empresa de retail, explica por qué y propone una corrección que un planificador aprueba por la mañana. ALDO Group respalda OODARIS y lo usa en producción en ALDO, Sperry, Call It Spring y G.H. Bass.

Estamos al principio. OODARIS cubre diez capacidades de planificación, compra, distribución y venta: la planificación financiera de mercancías (MFP) y el presupuesto de compra (open-to-buy) están en producción en ALDO Group. Cinco ya están disponibles para nuevos clientes, y cinco más llegarán pronto. Trabajarás directamente con el fundador y con nuestros ingenieros.

Te encargarás de la capa de agentes: cómo planifican los agentes, cómo llaman a herramientas y recuperan datos, y cómo evaluamos y trazamos lo que hacen. Por defecto, no se escribe nada en los sistemas de la empresa de retail hasta que la persona responsable de la decisión lo aprueba, y tu código tiene que garantizarlo.

El stack es Python asíncrono y FastAPI, Postgres con búsqueda vectorial, Redis y Docker, con trazas de OpenTelemetry y una capa de modelos que funciona con varios proveedores de LLM.

Qué harás

  • Construir los flujos multiagente de cada decisión, con entradas y salidas tipadas en cada llamada a herramientas.
  • Dar a cada flujo una vía de recuperación definida para cuando una herramienta falla, agota el tiempo de espera o devuelve datos erróneos.
  • Encargarte de la recuperación de información sobre Postgres con búsqueda vectorial: fragmentación, indexación y búsqueda híbrida, cada una con objetivos de latencia, calidad y coste.
  • Operar la capa de modelos con varios proveedores de LLM, con caché, enrutamiento y alternativas de respaldo.
  • Construir el conjunto de evaluaciones: juegos de prueba offline, pruebas de regresión en la CI y casos de red team que miden el anclaje en los datos, el éxito de las llamadas a herramientas y el coste por tarea.
  • Trazar cada ejecución de un agente, desde los datos de entrada hasta la corrección que propone, con logs estructurados y trazas de OpenTelemetry.
  • Convertir en casos de evaluación las preguntas que los planificadores hacen a OODIE, el agente con el que hablan.

Tus primeros 90 días

  • Día 30: un primer cambio en un flujo de agentes en producción, ya desplegado, con una evaluación que se ejecuta en la CI.
  • Día 60: un flujo de agentes del que eres responsable de principio a fin, con trazas, alertas y una vía de recuperación para cada herramienta a la que llama.
  • Día 90: una mejora de ese flujo puesta en producción, en anclaje, éxito de las herramientas, latencia o coste por tarea, medida con respecto a la referencia que fijaste el día 60.

Lo que aportas

  • Al menos 5 años como ingeniero o ingeniera de software, de ellos al menos 2 poniendo en producción sistemas de LLM o de machine learning.
  • Un sistema de LLM, de agentes o de recuperación de información que pusiste en producción, del que dependían otras personas y que mantuviste en marcha después del lanzamiento.
  • Evaluaciones que construiste para un sistema de LLM y que usaste para decidir si un cambio salía a producción.
  • Servicios asíncronos en Python que construiste y operaste en producción, con FastAPI o un framework similar.
  • Un incidente de producción que diagnosticaste a partir de trazas y logs, corrigiendo la causa y no solo el síntoma.
  • Redacción clara: notas de diseño a partir de las cuales otros ingenieros puedan construir.

Se valorará que hayas evaluado y ajustado la recuperación de información con modelos de reranking, ajustado modelos con adaptadores como LoRA o mapeado datos de producto entre sistemas PIM y ERP.

Ubicación

Preferimos Montreal; también puedes trabajar en remoto desde Canadá, con horas centrales en horario del Este (ET). Hablar francés es un plus, no un requisito.

Proceso de selección

  1. Una llamada inicial de 30 minutos.
  2. Una conversación técnica: explícanos un sistema que hayas construido en tu área más fuerte (agentes, recuperación de información, inferencia o evaluación), las decisiones de diseño que tomaste y cómo supiste que funcionaba.
  3. Una sesión práctica: un problema realista de agentes o de recuperación de información de nuestro producto, que resolverás con nuestros ingenieros.
  4. Conversaciones con el equipo, incluidos producto e ingeniería.
  5. Una conversación final con el fundador y llamadas de referencia con antiguos responsables.

Cómo presentar tu candidatura

Usa el formulario de esta página o escribe a careers@oodaris.ai con «Ingeniero de IA» en el asunto. Háblanos de un sistema de LLM o de agentes que hayas construido: qué hacía, cómo mediste si funcionaba y una decisión que hoy tomarías de otra manera.

Responsable de contratación

Fatih Nayebi

Fatih Nayebi

Fundador y CEO

Datos clave

Equipo
Plataforma de agentes
Áreas de enfoque
Sistemas multiagente, Recuperación de información y evaluación, Inferencia de LLM en producción
¿Preguntas?
careers@oodaris.ai

Otros roles abiertos

Solicitud

Cuéntanos por qué este puesto es el adecuado. Leemos cada envío.

Las personas con las que trabajarías

  • Fatih Nayebi

    Fundador y CEO

  • Arnav Gupta

    Responsable de producto de IA

  • Adrian Alarcon

    Científico de datos

  • Philippe St-Aubin

    Ingeniero de IA

  • Allen Yang

    Ingeniero full stack

  • Arial Huang

    Científica de datos

  • Florian Denu

    Ingeniero full stack sénior

Pegue un enlace a su currículum o portafolio (Google Drive, Notion, sitio personal, etc.).