• Build AI-enabled backend services: Design, develop, and maintain Python-based backend services that integrate AI/LLM capabilities into the Jedox platform. • Define AI integration abstractions: Implement robust abstractions for AI providers and request pipelines, including validation, routing, caching, throttling, and error handling. • Ensure secure and resilient services: Make sure all backend services follow secure development practices, are resilient by design, and adhere to platform-wide operational standards. • Design for multi-tenant deployments: Architect services for feature-flag-driven CI/CD deployments across single-tenant and multi-tenant environments, ensuring strict tenant isolation for data, configuration, and logs. • Develop and maintain REST APIs: Build REST APIs used by multiple React-based frontend applications and internal SDKs, ensuring consistency and high performance. • Implement end-to-end observability: Introduce and maintain metrics, structured logging, and distributed tracing across services to enable deep visibility into system and AI/LLM behavior. • Own Kubernetes-based deployments: Maintain Kubernetes services, Helm charts, and deployment configurations, contributing to reliable and scalable cloud-native operations.

• Design, build, and maintain modular AI agents that automate multi-step workflows across CreateOS (contracts, accounting, distribution, metadata) • Own RAG pipelines, retrieval architectures, and semantic search systems grounded in CreateOS's structured business data (contracts, royalty statements, catalog metadata, etc.) • Implement guardrails, evaluation frameworks, and human-in-the-loop controls for agentic systems • Integrate LLMs (OpenAI, Anthropic, or open-source models) into user-facing features across CreateOS modules • Build intuitive, AI-native user experiences including chat interfaces, copilot-style tools, and workflow automation surfaces within CreateOS • Deploy and maintain services using containerization and cloud platforms • Ensure AI-powered features are reliable, observable, and performant in production • Collaborate with the ML Engineer to integrate model outputs and feature pipelines cleanly into product surfaces • Maintain high code quality standards through unit and integration testing, code reviews, and CI/CD pipeline ownership • Rapidly prototype and evaluate new AI-powered features based on internal user feedback

Role Description Capgemini Engineering, líder mundial en servicios de ingeniería, reúne a equipos de ingenieros/as, científicos/as y desarrolladores/as para ayudar a las compañías más innovadoras a liberar su potencial y construir un futuro mejor. Únete al equipo y continúa tu carrera en una compañía con oportunidades reales de crecimiento, donde puedes marcar la diferencia y donde ningún día es igual al anterior. Estamos buscando perfiles con experiencia en Inteligencia Artificial, Machine Learning y Data para incorporarse a un proyecto internacional con sede en Málaga pero con opción real de trabajo remoto. Se requiere capacidad para desenvolverse con soltura en proyectos de IA aplicada, análisis avanzado y modelado. - Participar en el diseño y desarrollo de soluciones basadas en Machine Learning y analítica avanzada. - Aplicar técnicas de Inteligencia Artificial para resolver problemas complejos sobre grandes volúmenes de datos. - Preparar, limpiar y transformar datos, asegurando calidad, consistencia y trazabilidad. - Construir y optimizar pipelines de datos que alimenten modelos o flujos analíticos. - Experimentar con modelos, evaluar resultados y documentar el ciclo de vida de las soluciones. - Integrarse en equipos multidisciplinares colaborando con perfiles técnicos y funcionales. - Trabajar en entornos ágiles manteniendo buenas prácticas de versionado y documentación. - Participar en proyectos de innovación y adoptar nuevas herramientas/tecnologías cuando sea necesario. Qualifications - Experiencia laboral previa trabajando con Machine Learning, Inteligencia Artificial o análisis de datos aplicado. - Conocimientos sólidos en Python y librerías de análisis (pandas, NumPy) o ML (scikit‑learn, TensorFlow, PyTorch). - Experiencia manipulando y modelando datos, ya sea en entornos cloud o locales. - Capacidad para desenvolverse con soltura en proyectos de IA, incluso sin un número específico de años. - Inglés mínimo B2 (no es necesario certificado). Requirements - Experiencia previa con LLMs, RAG, agentes o frameworks de GenAI. - Uso de herramientas cloud (Azure, AWS o GCP). - Experiencia con bases de datos SQL/NoSQL. - Conocimientos de MLOps (Docker, MLflow, CI/CD). - Background en tratamiento de datos para entornos productivos o industriales. - Conocimientos en Spark, PySpark o Databricks. Benefits - Contrato con Capgemini Engineering. - Participación en proyectos innovadores dentro del ámbito Aeroespacial / Space – Offshore. - Oportunidad de crecimiento profesional en áreas de IA aplicada y Data. - Modalidades de trabajo flexibles, incluyendo trabajo remoto. - Acceso a formación continua, certificaciones y tecnologías punteras. - Cultura orientada a resultados y aprendizaje continuo.

• Advance AI Safety: Design, implement, and evaluate attack and defense strategies for LLM jailbreaks (prompt injection, obfuscation, narrative red teaming) and deploy them as production-grade services. • Build Scalable Safety Infrastructure: Architect and deploy distributed safety evaluation pipelines handling millions of requests, with real-time monitoring, alerting, and incident response capabilities. • Large-Scale Data Engineering: Design ETL pipelines for processing terabytes of safety-related data (attack patterns, behavioral logs, model outputs); build data lakes and feature stores for safety ML systems. • Evaluate AI Behavior: Analyze and simulate human-AI interaction patterns at scale to uncover behavioral vulnerabilities, social engineering risks, and over-defensive vs. permissive response tradeoffs. • Agentic AI Security: Build production workflows for multi-agent safety (agent self-checks, regulatory compliance, defense chains) spanning perception, reasoning, and action. • MLOps & Model Deployment: Deploy safety models to production using containerized microservices, implement CI/CD pipelines for model updates, and manage model versioning and A/B testing infrastructure. • Benchmark & Harden LLMs: Create reproducible, automated evaluation protocols for safety, over-defensiveness, and adversarial resilience across diverse models with continuous integration.