O stanowisku
Jako MLOps Engineer połączysz świat data science i utrzymania systemów.
Rola koncentruje się na budowie solidnej, skalowalnej infrastruktury do trenowania, wdrażania i monitorowania modeli ML.
Będziesz blisko współpracować z data scientistami i zespołami DevOps, aby usprawnić cykl życia ML.
Kluczowe obowiązki
- Projektowanie i wdrażanie pipeline’ów trenowania i inferencji ML
- Budowa i utrzymanie systemów wersjonowania modeli i śledzenia eksperymentów
- Wdrażanie modeli na produkcję wraz z monitoringiem i alertami
- Optymalizacja wydajności modeli i wykorzystania zasobów
- Automatyzacja workflow ML i CI/CD dla wdrożeń modeli
Pierwsze 90 dni
- Poznanie obecnej infrastruktury ML i wskazanie obszarów do poprawy
- Wdrożenie monitoringu i alertów dla modeli produkcyjnych
- Ustalenie dobrych praktyk MLOps i dokumentacji
Oczekiwany rezultat: Po 90 dniach zarządzasz infrastrukturą ML i usprawniasz efektywność wdrażania modeli.
Wyzwania
- Obsługa zróżnicowanych obciążeń ML o różnych wymaganiach zasobowych
- Zapewnienie niezawodności i wydajności modeli na produkcji
- Nadążanie za szybko zmieniającymi się narzędziami i praktykami MLOps
Wymagania
- Minimum 3 lata doświadczenia w DevOps, infrastrukturze lub inżynierii ML
- Dobra znajomość Docker, Kubernetes i platform chmurowych
- Doświadczenie z frameworkami ML i serwowaniem modeli (MLflow, Kubeflow, TensorFlow Serving)
- Umiejętność programowania w Pythonie i znajomość narzędzi infrastructure-as-code
- Rozumienie cyklu życia i monitorowania modeli ML
Ta rola nie obejmuje
- Budowania modeli ML od zera (rola wspierająca data scientistów)
- Wsparcia użytkowników końcowych
- Serwisu sprzętu
Co oferujemy
- Pracę z najnowocześniejszymi technologiami MLOps
- Budżet na certyfikacje chmurowe i ML
- Elastyczną pracę zdalną
- Inżynierską kulturę opartą na współpracy
O nas
Tworzymy rozwiązania technologiczne z silnym naciskiem na jakość, współpracę i zrównoważony rozwój. Nasza kultura pracy opiera się na profesjonalizmie, zaufaniu i otwartości na wszystkich poziomach.