Что должен уметь Lead }

Определяет алгоритмические стандарты для команды AI-продукта: критерии выбора алгоритмов обучения моделей, стратегии оптимизации инференса, фреймворки оценки алгоритмов поиска/ранжирования. Проводит ревью алгоритмической эффективности ML-пайплайнов.

Определяет стандарты асинхронного программирования для команды AI-продукта: гайдлайны архитектуры async ML-пайплайнов, паттерны конкурентности для model serving, ревью дизайна неблокирующего инференса. Устанавливает best practices для async-паттернов в production ML-системах.

Определяет стандарты качества кода для команды AI-продукта: практики ревью ML-кода, критерии передачи из эксперимента в продакшен, требования к документации кода моделей. Проводит архитектурные ревью дизайна ML-пайплайнов. Устанавливает quality gates для кода model serving.

Определяет стандарты паттернов проектирования для команд AI-продуктов: устанавливает практики архитектурного ревью для паттернов ML-систем, создаёт руководства по применению паттернов в AI/ML кодовых базах, проводит обучение по паттернам для расширяемых ML-архитектур.

Определяет стандарты ООП/SOLID для команды AI-продукта: гайдлайны абстрактных слоёв ML-пайплайна, интерфейсные контракты model serving, паттерны архитектуры экспериментального кода. Проводит ревью решений по иерархии классов, балансируя гибкость исследований и сопровождаемость продакшена.

Определяет стандарты структур данных для команды AI-продукта: дизайн схем feature store, конвенции форматов input/output моделей, структуры пайплайнов обучающих данных. Проводит ревью решений по архитектуре данных ML. Устанавливает командные гайдлайны для эффективной работы с данными в ML-системах.

Определяет архитектурные решения по Node.js Frameworks на уровне продукта. Формирует стандарты. Проводит design review и определяет технический roadmap.

Определяет архитектуру API для платформ AI-продуктов на Django и FastAPI. Устанавливает стандарты для эндпоинтов обслуживания моделей, версионирования и аутентификации. Проводит ревью дизайна слоёв инференс-сервисов и определяет техническую дорожную карту ML API инфраструктуры.

Определяет стратегию кэширования Redis для платформ AI-продуктов — формирует стандарты кэширования фич, TTL результатов инференса и инвалидации кэша при обновлении моделей. Проводит ревью дизайна архитектур ML-кэширования и определяет техническую дорожную карту для инфраструктуры real-time сервинга фич.

Определяет стратегию очередей задач для AI-продуктов: выбирает между Celery, SQS и cloud-native решениями на основе требований масштаба. Устанавливает паттерны для идемпотентного выполнения задач, мониторинга и автомасштабирования воркеров по глубине очереди.

Определяет стратегию данных PostgreSQL для AI-продуктов: устанавливает стандарты хранения ML-данных и использования pgvector, проектирует архитектуру БД для feature stores и реестров моделей, обеспечивает внедрение лучших практик PostgreSQL для инфраструктуры данных AI/ML.

Определяет стратегию API-документации для сервисов платформы AI-продуктов по командам ML-инженерии. Формирует стандарты проектирования для документации API сервинга моделей, включая метаданные экспериментов и спецификации контрактов инференса. Координирует кросс-командные ревью API-документации, обеспечивая консистентность по интеграциям AI-продуктов.

Определяет стратегию WebSocket API для AI-продуктовой платформы. Устанавливает стандарты потоковых протоколов, политики управления соединениями и требования производительности для real-time AI-фич. Проводит архитектурные ревью WebSocket-based AI-коммуникации. Продвигает внедрение эффективных паттернов стриминга между AI-продуктовыми командами.

Определяет стратегию GraphQL API для платформ AI-продуктов, охватывающих сервинг моделей и MLOps-инструментарий. Формирует стандарты проектирования схемы для типов ML-данных, метаданных экспериментов и структур результатов инференса. Проводит ревью дизайна API, обеспечивая консистентность между командами AI-продуктов, и координирует governance федеративной схемы.

Определяет API-стратегию для AI-продуктов на уровне продукта: стандарты API ML serving, governance версионирования и жизненного цикла моделей, требования производительности inference API. Проводит архитектурные ревью API для сервисов ML-платформы и устанавливает стандарты developer experience.

Определяет стратегию инфраструктуры AWS для портфелей AI-продуктов, охватывающих нагрузки обучения, сервинга и MLOps. Формирует стандарты IaC для деплоев SageMaker и автоматизации ML-пайплайнов. Проводит архитектурные ревью, оптимизируя стоимость-производительность ML-нагрузок, и продвигает FinOps для расходов на GPU-вычисления.

Определяет стратегию Docker-инфраструктуры для AI-продуктов: стандарты GPU-контейнерной платформы, governance жизненного цикла контейнеров ML-моделей, политики container registry и версионирования. Проводит архитектурные ревью контейнеризованного ML serving и оптимизирует FinOps для GPU-нагрузок.

Определяет инфраструктурную стратегию с Serverless Functions. Формирует стандарты IaC. Проводит architecture review. Оптимизирует FinOps.

Определяет стратегию feature flags для портфеля AI-продуктов, обеспечивая безопасное экспериментирование в масштабе. Устанавливает стандарты A/B-тестирования ML-моделей на основе флагов со статистической строгостью. Координирует governance флагов и обеспечивает compliance с регуляциями data privacy.

Определяет стратегию интеграционного тестирования портфелей AI-продуктов, охватывающих множество типов моделей и инфраструктур сервинга. Формирует стандарты качества для точек интеграции ML-пайплайнов, включая шлюзы качества данных и пороги производительности моделей. Внедряет культуру shift-left тестирования с ранней валидацией пайплайнов обучающих данных и контрактов feature store.

Определяет стратегию тестирования на уровне продукта для AI-систем: стандарты пирамиды тестирования ML, governance тестирования валидации моделей, фреймворки тестирования качества данных. Устанавливает культуру shift-left тестирования, балансируя скорость исследований и надёжность ML-пайплайнов в продакшене.

Определяет стратегию Векторные базы данных на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию Оценка LLM на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию агентных фреймворков и архитектурные стандарты для разработки AI-продуктов в организации. Формирует критерии оценки для выбора фреймворков, методологии тестирования агентов и требования продакшн-готовности для агентных функций. Продвигает внедрение паттернов дизайна агентов и менторит команды продуктовой инженерии по созданию надёжных и экономичных агентных систем для пользовательских приложений.

Определяет стратегию LLM приложения на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию model serving для AI-продуктовой платформы. Устанавливает SLA-цели inference, фреймворки управления затратами и governance деплоя моделей. Проводит архитектурные ревью инфраструктуры AI serving. Продвигает внедрение эффективных паттернов model serving между продуктовыми командами.

Определяет стратегию RAG-архитектура на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию разработки AI-агентов и стандарты качества для команд продуктовой инженерии организации. Формирует фреймворки безопасности агентов, методологии оценки и рекомендации по продакшн-деплою для пользовательских агентных интерфейсов. Принимает архитектурные решения по агентной инфраструктуре — выбор между hosted vs self-managed runtimes агентов, определение governance экосистемы инструментов и формирование паттернов кросспродуктового шаринга возможностей агентов.

Определяет стратегию AI Code Review на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Устанавливает организационные стандарты AI-генерации тестов для продуктовых линеек, согласовывая практики тестирования с требованиями AI-безопасности и комплаенса. Координирует кросс-функциональные усилия по созданию общей инфраструктуры AI-тестирования, включая библиотеки тестов промптов, оценочные датасеты и фреймворки валидации моделей на масштабе.

Определяет стратегию внедрения ChatGPT/Claude для команд инженерии AI-продуктов. Формирует стандарты LLM-аугментированных процессов разработки, практик prompt engineering и критериев оценки AI-инструментов. Проводит ревью паттернов AI-ассистированной разработки, обеспечивая ответственное и эффективное использование по продуктовой организации.

Определяет стратегию Claude Code / Agentic Coding на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию Cursor IDE на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию GitHub Copilot для команд AI-продуктов: устанавливает руководства для AI-ассистированной разработки ML-кода, проектирует воркфлоу валидации для AI-сгенерированного кода моделей и пайплайнов, обеспечивает ответственное внедрение Copilot в командах data science и инженерии.

Определяет стратегию Model Context Protocol на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стандарты и governance промпт-инжиниринга для AI-продуктовых команд. Устанавливает процессы ревью промптов, quality gates и пайплайны деплоя для продуктовых AI-фич. Создаёт организационные реестры промптов с версионированием, контролем доступа и аналитикой использования. Оценивает новые техники (DSPy, LMQL, prompt compilers) для командного внедрения.

Определяет стратегию код-ревью для команды AI-продукта: стандарты ревью ML-кода, governance ревью кода model serving, практики ревью дата-пайплайнов. Устанавливает культуру ревью, балансирующую скорость исследований и качество продакшен-кода.

Определяет Git-стратегию для команд AI-продуктов: устанавливает стандарты отслеживания экспериментов через контроль версий, проектирует архитектуру репозиториев для ML-monorepo с общими компонентами, обеспечивает внедрение Git-based версионирования моделей между командами data science и инженерии.