MLOps Engineer

• Min. 3 lata doświadczenia w MLOps/DevOps/Software Engineering, w tym praca z modelami ML na produkcji.
• Bardzo dobra znajomość Docker i Kubernetes (zarządzanie klastrami, Helm charts, Ingress).
• Doświadczenie z chmurą publiczną — preferowane Azure (Azure ML, AKS, ACR) lub GCP/AWS z gotowością do wejścia w Azure.
• Praktyka w CI/CD (Azure DevOps, GitHub Actions, Jenkins) z uwzględnieniem specyfiki ML.
• Python + Bash/Shell na poziomie umożliwiającym automatyzację i pracę z ML SDK.
• Doświadczenie z MLflow, Kubeflow lub narzędziami chmurowymi do lifecycle management modeli.
• IaC: Terraform, Bicep lub Ansible.
• Możliwość świadczenia usług z terytorium Polski.
• Gotowość do pracy hybrydowej — 1 dzień w tygodniu z biura w Warszawie.

Kompetencje miękkie:

• Wykształcenie techniczne.
• Podejście „Automation First”.
• Umiejętność pracy na styku Data Science i IT Operations.
• Proaktywność w rozwiązywaniu problemów i incydentów produkcyjnych.

Mile widziane:

• Certyfikaty Azure (AZ‑400, AI‑102).
• Doświadczenie z LLM, RAG, wdrażaniem modeli GenAI.
• Prometheus, Grafana, Azure Monitor.
• Znajomość sieci w środowisku hybrydowym (VPN, VNet, Private Endpoints)

Stawka: 160–180 PLN/h

Lokalizacja: Warszawa (hybrydowo, 1 dzień/tydz. z biura)

Start: ASAP

Poszukujemy doświadczonego Inżyniera MLOps/LLMOps, który dołączy do zespołu budującego i utrzymującego nowoczesną platformę AI w sektorze ubezpieczeniowym. Projekt obejmuje rozwój infrastruktury do trenowania, wdrażania i monitorowania modeli ML/GenAI w środowisku chmurowym Azure oraz architekturze hybrydowej.

,[Tworzenie i rozwój platformy AI wykorzystywanej w procesach biznesowych., Projektowanie i budowa infrastruktury MLOps/LLMOps z użyciem Azure Machine Learning, Azure AI Foundry oraz AKS., Implementacja CI/CD/CT dla rozwiązań ML (testy, wersjonowanie danych i modeli, automatyczne trenowanie)., Konteneryzacja i orkiestracja: Docker, Kubernetes, Helm, Ingress; wdrożenia w środowisku hybrydowym., Monitoring i observability modeli: wykrywanie Data/Model Drift, logowanie, alertowanie., Wsparcie w obszarze AI Act: audytowalność modeli, lineage, bezpieczeństwo, zarządzanie dostępem., Optymalizacja kosztów i wydajności środowisk ML oraz inferencji modeli.] Requirements: MLOps, DevOps, Docker, Kubernetes, Helm, Charts, Ingress, Azure ML, AKS, ACR, GCP, AWS, Azure, CI/CD, Azure DevOps, GitHub Actions, Jenkins, ML SDK, MLflow, Kubeflow, IaC, Terraform, Bicep, Ansible, AZ-400, AI-102, LLM, RAG, GenAI, Prometheus, Grafana, Azure Monitor, VPN, VNet, Private Endpoints