Apie pareigas
Kaip MLOps inžinierius tu sujungsi duomenų mokslą ir IT operacijas.
Šios pareigos orientuotos į patikimos, plečiamos infrastruktūros kūrimą ML modelių mokymui, diegimui ir stebėsenai.
Glaudžiai dirbsi su duomenų mokslininkais ir DevOps komandomis, kad ML gyvavimo ciklas būtų sklandesnis.
Pagrindinės atsakomybės
- Projektuoti ir įgyvendinti ML mokymo ir išvadų (inference) konvejerius
- Kurti ir prižiūrėti modelių versijavimo ir eksperimentų sekimo sistemas
- Diegti modelius į gamybinę aplinką su stebėsena ir įspėjimais
- Optimizuoti modelių našumą ir išteklių naudojimą
- Automatizuoti ML darbo eigas ir CI/CD modelių diegimui
Pirmosios 90 dienų
- Perprasti esamą ML infrastruktūrą ir nustatyti tobulintinas sritis
- Įdiegti gamybinių modelių stebėseną ir įspėjimus
- Įtvirtinti MLOps gerąją praktiką ir dokumentaciją
Laukiamas rezultatas: Po 90 dienų tu valdysi ML infrastruktūrą ir didinsi modelių diegimo efektyvumą.
Iššūkiai
- Įvairių ML apkrovų su skirtingais išteklių poreikiais valdymas
- Modelių patikimumo ir našumo užtikrinimas gamybinėje aplinkoje
- Spartaus MLOps įrankių ir praktikų kitimo sekimas
Reikalavimai
- Bent 3 metų patirtis DevOps, infrastruktūros ar ML inžinerijos srityje
- Geros Docker, Kubernetes ir debesijos platformų žinios
- Patirtis su ML sistemomis ir modelių teikimu (MLflow, Kubeflow, TensorFlow Serving)
- Python programavimo ir infrastruktūros kaip kodo įrankių įgūdžiai
- ML modelių gyvavimo ciklo ir stebėsenos supratimas
Šios pareigos neapima
- ML modelių kūrimo nuo nulio (tai pagalbinis vaidmuo duomenų mokslininkams)
- Galutinių naudotojų aptarnavimo
- Aparatinės įrangos priežiūros
Ką siūlome
- Darbą su pažangiausiomis MLOps technologijomis
- Debesijos ir ML sertifikavimo biudžetą
- Lanksčias nuotolinio darbo galimybes
- Bendradarbiavimu grįstą inžinerinę kultūrą
Apie mus
Kuriame technologinius sprendimus, daug dėmesio skirdami kokybei, bendradarbiavimui ir tvariam augimui. Mūsų darbo kultūra remiasi profesionalumu, pasitikėjimu ir atvirumu visais lygmenimis.