AI Engineer — Answer Intelligence

भूमिका के बारे में

Growli का पूरा उत्पाद एक ही डेटासेट पर टिका है: असली खरीद सवालों पर असली असिस्टेंट जवाब, जो दस AI मंचों और छह भाषाओं में लगातार जुटाए जाते हैं। आप उस संग्रह और विश्लेषण पाइपलाइन को शुरू से अंत तक संभालेंगे — प्रोब का संचालन, ज़िक्र और क्रम की पहचान, स्रोतों का निष्कर्षण, बदलाव की पहचान — और उसकी सटीकता को अच्छी अटकलों से आगे ले जाकर मापे हुए, मानक-आधारित सच तक पहुँचाएँगे। यह लागू AI इंजीनियरिंग है, पर एक असामान्य ख़ूबी के साथ: आप जो भी सुधार करते हैं, वह तुरंत ग्राहकों को बेहतर प्रमाण के रूप में दिखता है। मॉडल हर महीने बदलते हैं, इसलिए उन्हें मापने वाली पाइपलाइन को भी उतनी ही तेज़ी से बदलना होता है — आप वही व्यक्ति होंगे जो हमें उस बदलाव से आगे रखेगा, और आपके फ़ैसले तय करेंगे कि यह पूरा क्षेत्र AI विज़िबिलिटी कैसे मापता है।

आप क्या करेंगे

• कई असिस्टेंट वाली प्रोब पाइपलाइन संभालना: दस मंचों पर शेड्यूलिंग, टिकाऊपन, लागत नियंत्रण और हर प्रोवाइडर के लिए अलग सीमा।
• छह भाषाओं में ज़िक्र, स्थान और भाव की पहचान बेहतर करना — लेबल किए गए जवाब सेट पर मापी गई, महज़ अंदाज़े से नहीं।
• वह स्रोत-निष्कर्षण परत बनाना जो पता लगाती है कि हर असिस्टेंट के जवाब कौन-से पेज और डोमेन गढ़ते हैं।
• ऐसे मूल्यांकन ढाँचे बनाना जो पहचान में गिरावट ग्राहकों तक पहुँचने से पहले पकड़ लें।
• मॉडल रिलीज़ और प्रोवाइडर API के बदलावों पर नज़र रखना, और पाइपलाइन को तिमाहियों में नहीं, दिनों में ढालना।
• उत्पाद टीम के साथ मिलकर कच्चे जवाब डेटा को नई मापी जा सकने वाली क्षमताओं में बदलना — क्षेत्रवार विज़िबिलिटी, प्रतिस्पर्धियों की हिस्सेदारी, बदलाव की सूचनाएँ।
• लाखों अवलोकनों तक बढ़ते हुए भी दीर्घकालिक डेटासेट को अपरिवर्तनीय, सुव्यवस्थित और सस्ते में खोजे जाने लायक बनाए रखना।

सफलता कैसी दिखती है

• पहचान की सटीकता के पीछे एक आँकड़ा, एक मानक-सेट और साफ़ दिखता ऊपर जाता रुझान है।
• किसी नए असिस्टेंट या मॉडल को एक दिन से कम में प्रोब बेड़े में जोड़ा जा सकता है।
• प्रोवाइडर की गड़बड़ी चुपचाप डेटा में छेद करने के बजाय धीरे-धीरे और साफ़ दिखते हुए घटती है।
• कम से कम एक ऐसा नया प्रमाण मौजूद है जिसके लिए ग्राहक पैसे देते हैं, और वह आपने बनाया।

हम क्या तलाश रहे हैं

• Python के साथ 3+ साल का प्रोडक्शन इंजीनियरिंग अनुभव; आपने डेटा या ML पाइपलाइन बनाई और संभाली हों।
• LLM API, उनकी विफलताओं के तरीक़ों और प्रॉम्प्ट-स्तर के मूल्यांकन का व्यावहारिक अनुभव।
• आप मापन को इंजीनियरिंग समस्या मानते हैं: आधार रेखा, गिरावट, लेबल किया डेटा।
• किसी सिस्टम को शुरू से अंत तक संभालने में सहज — आर्किटेक्चर, लागत, निगरानी, गड़बड़ी पर प्रतिक्रिया।
• आप साफ़ लिखते हैं; आपका डिज़ाइन दस्तावेज़ उस बैठक से छोटा और तीखा होता है जिसकी वह जगह लेता है।
• अतिरिक्त लाभ: कई भाषाओं में NLP का अनुभव, या सर्च तथा SEO परकारों पर पहले किया गया काम।

प्रकाशित 1 सितंबर 2026