Руководитель портфеля проектов (GenAI)

Чем предстоит заниматься:

• Вести крупные, стратегические проекты с внешними заказчиками в области генеративного ИИ: AI-агенты, ассистенты, модели и решения на основе GenAI — от пресейла до промышленного запуска;
• Управлять мультидисциплинарными командами (аналитики, ML, разработчики, QA, DevOps) через других руководителей проектов, тимлидов и технических лидеров;
• Курировать портфель AI-проектов: контролировать сроки, риски, качество, SLA и достижение целевых эффектов по каждому проекту;
• Руководить группой руководителей проектов: развитие, коучинг, контроль качества управления проектами, повышение зрелости команд;
• Развивать методологии управления AI/GenAI-проектами: единые стандарты планирования, риск-менеджмента, управления изменениями, документации и поставки, коммуникационных планов со стейкхолдерами;
• Участвовать в пресейлах GenAI-решений: оценка трудозатрат, сроков, рисков и формирование архитектурно-проектных предложений;
• Проводить презентации, демо и защищать технические/проектные решения перед заказчиками; управлять их ожиданиями.

Для нас важно:

• 5+ лет опыта в управлении ИТ-проектами на стороне компании системного интегратора / вендора ПО / сервисных / аутсорсных компаниях;
• Опыт ведения внешних коммерческих проектов с бюджетом от 100+ млн рублей;
• Опыт взаимодействия с руководителями среднего и высокого уровня со стороны заказчика, опыт с заказчиками уровня Enterprise – крупнейших компаний;
• Знания основ управления проектами, опыт ведения проектов как по Waterfall/Agile, так и в гибридных моделях;
• Высшее техническое или управленческое образование.

Будет плюсом:

• Успешный опыт управления проектами в областях: машинное обучение, генеративный искусственный интеллект (LLM), компьютерное зрение, NLP, чат-боты или предиктивная аналитика;
• Умение декомпозировать бизнес-требования и формировать backlog проекта вместе с командой;
• Сертификаты: PMP, PMI-ACP, PRINCE2, Scrum Master, Product Owner
• Курсы по ML/AI или Data;
• Базовое понимание LLM-архитектур (GPT-подобные модели, RAG, флоу-оркестрации);
• Знание основных облачных и локальных технологий для ИИ: MLflow, Kubernetes, Airflow, vector stores, API интеграции;
• Понимание ограничений, рисков и особенностей внедрения AI-систем: приватность, безопасность, качество данных, масштабирование.