MLOPS

Nasze wymagania

• Doświadczenie: Co najmniej 3 lata komercyjnej pracy w obszarze Machine Learning/Devops lub MLOps.
• Python: Bardzo dobra, co najmniej 3-letnia praktyka w programowaniu w języku Python (preferowane środowisko projektów ML).
• Infrastruktura ML: Praktyczna wiedza z zakresu projektowania architektury pod wdrożenia modeli (zarządzanie przepływem danych, skalowalność, cykl życia modeli).
• Narzędzia MLOps: Doświadczenie w zarządzaniu samodzielnie hostowanymi (self-hosted) rozwiązaniami klasy MLOps (MLflow, Kubeflow lub pokrewne).
• CI/CD & Konteneryzacja: Biegłość w pracy z Dockerem, platformami kontenerowymi (Kubernetes, OpenShift/OKD4) oraz narzędziami automatyzacji wdrożeń (Jenkins, GitLab CI, Argo CD).
• Dane & NLP: Doświadczenie w pracy z dużymi wolumenami danych (huge datasets) oraz rozwiązaniami z zakresu przetwarzania języka naturalnego (NLP).
• Podejście biznesowe: Umiejętność identyfikowania potrzeb użytkowników i przekładania ich na praktyczne zastosowania zaawansowanej analityki oraz sztucznej inteligencji.

Nie masz odhaczonych wszystkich punktów z listy? Nic nie szkodzi! Nawet jeśli nie spełniasz w 100% każdego z powyższych wymagań, ale posiadasz solidne podstawy, znasz specyfikę obszaru ML i chcesz się rozwijać – gorąco zachęcamy do przesłania CV.

Dołączysz do interdyscyplinarnego środowiska, w którym na co dzień będziesz współpracować z Ekspertami ML oraz Data Scientistami budującymi prototypy i docelowe modele. W obszarze integracji i płynnego wejścia w projekt nie zostaniesz sam – możesz liczyć na pełne wsparcie i ścisłą współpracę z naszymi specjalistami z pogranicza DevOps i MLOps.

,[Rozwój i konfiguracja ekosystemu narzędzi MLOps (ze szczególnym uwzględnieniem MLflow)., Automatyzacja pipeline'ów CI/CD i cyklu życia modeli maszynowych (Jenkins, MLflow)., Utrzymanie, refaktoryzacja oraz rozbudowa produkcyjnej bazy kodu napisanej w języku Python., Zarządzanie platformą orkiestracji kontenerów (OpenShift, OKD4) i standaryzacja procesów produkcyjnego wdrażania modeli., Diagnostyka, optymalizacja oraz troubleshooting środowisk produkcyjnych pod kątem wydajności rozwiązań ML/AI., Wdrażanie standardów bezpieczeństwa, governance oraz zapewnianie zgodności regulacyjnej systemów AI/ML., Ścisła współpraca z Data Scientistami, Inżynierami ML oraz Analitykami przy przekształcaniu prototypów w produkcyjne serwisy., Wsparcie analityczno-techniczne przy nowych projektach oraz tworzenie spójnej dokumentacji technicznej i procesowej.] Requirements: Machine learning, Python, MLOps, MLflow, Kubeflow, CD, Docker, Kubernetes, OpenShift, Jenkins, GitLab CI, Argo