Om stillingen
Som MLOps-ingeniør bygger du bro mellem data science og drift.
Rollen fokuserer på at bygge robust, skalerbar infrastruktur til træning, udrulning og overvågning af ML-modeller.
Du arbejder tæt sammen med data scientists og DevOps-teams om at strømline ML-livscyklussen.
Primære opgaver
- Designe og implementere pipelines til ML-træning og inferens
- Bygge og vedligeholde systemer til modelversionering og eksperimentsporing
- Udrulle modeller til produktion med overvågning og alarmering
- Optimere modellernes ydeevne og ressourceforbrug
- Automatisere ML-workflows og CI/CD til udrulning af modeller
De første 90 dage
- Forstå den nuværende ML-infrastruktur og finde forbedringsområder
- Implementere overvågning og alarmering for modeller i produktion
- Etablere best practices og dokumentation for MLOps
Forventet resultat: Efter 90 dage har du ansvaret for ML-infrastrukturen og driver forbedringer i effektiviteten af modeludrulninger.
Udfordringer
- At håndtere forskelligartede ML-workloads med varierende ressourcebehov
- At sikre modellernes pålidelighed og ydeevne i produktion
- At følge med i MLOps-værktøjer og -praksisser, der udvikler sig hurtigt
Krav
- 3+ års erfaring med DevOps, infrastruktur eller ML engineering
- Stærkt kendskab til Docker, Kubernetes og cloudplatforme
- Erfaring med ML-frameworks og model serving (MLflow, Kubeflow, TensorFlow Serving)
- Programmeringsevner i Python og infrastructure-as-code-værktøjer
- Forståelse for ML-modellers livscyklus og overvågning
Stillingen omfatter ikke
- Udvikling af ML-modeller fra bunden (rollen understøtter data scientists)
- Slutbrugersupport
- Vedligeholdelse af hardware
Vi tilbyder
- Arbejde med de nyeste MLOps-teknologier
- Budget til cloud- og ML-certificeringer
- Fleksible muligheder for fjernarbejde
- En samarbejdsorienteret ingeniørkultur
Om os
Vi udvikler teknologiløsninger med stærkt fokus på kvalitet, samarbejde og bæredygtig vækst. Vores arbejdskultur bygger på professionalisme, tillid og åbenhed på alle niveauer.