ML Integrations Engineer
⚲ Kraków
20 000 - 27 000 PLN brutto (UoP) | 20 000 - 27 000 PLN netto (B2B)
Wymagania
- min. 3 lata komercyjnego doświadczenia full-stack z udokumentowanym wdrożeniem ML na produkcję
- praktyczne doświadczenie w serwowaniu modeli (serializacja, frameworki servingowe, optymalizacja inferencji)
- biegłość w TypeScript i Python
- doświadczenie z architekturą mikroserwisową, brokerami wiadomości (np. Kafka) i frameworkami async
- solidna znajomość React (hooks, context, state management)
- doświadczenie z Dockerem i orkiestracją kontenerów
- praktyka z CI/CD (GitHub Actions, Jenkins, GitLab CI) i testami automatycznymi (unit, integration, e2e)
- umiejętność tłumaczenia konceptów technicznych interesariuszom nietechnicznym
Opis stanowiska
Drugie, bliźniacze stanowisko w OneRail — zakres pokrywa się z Machine Learning Engineer, ale akcent położony jest na integrację modeli ML z produktem OmniPoint. Będziesz przenosić prototypy z data science do produkcji, utrzymywać funkcje oparte na ML i rozwijać zarówno backend, jak i komponenty frontendowe React. Realnie to rola szersza niż sugeruje tytuł: obejmuje pełny stos, optymalizację niskolatencyjnego wnioskowania oraz długoterminowe wsparcie wdrożonych funkcji. Uwaga: spora część pracy to dopracowywanie niedokończonych lub eksperymentalnych modeli przed wdrożeniem produkcyjnym.
🔍 Dekoder Ogłoszenia
🔴
bridge the gap between data science and production software
Będziesz odpowiedzialny za przenoszenie modeli uczenia maszynowego z fazy prototypu do działającego produktu, co może oznaczać wiele pracy związanej z dostosowaniem i optymalizacją.
🔴
implementing, deploying, and maintaining ML-powered features
Oprócz wdrożenia, będziesz również odpowiedzialny za długoterminowe utrzymanie i wsparcie tych funkcji, co może oznaczać ciągłe rozwiązywanie problemów.
🔴
contributing to back-end services and React-based front-end components
Zakres obowiązków wykracza poza samo ML, obejmując również rozwój pełnego stosu, co może wymagać szerszego zestawu umiejętności niż sugeruje tytuł.
🔴
productionize prototypes
Praca z niedokończonymi lub eksperymentalnymi modelami, które wymagają znacznego dopracowania przed wdrożeniem produkcyjnym.
🔴
ensuring they support low-latency, high-throughput ML inference
Wymaga to nie tylko znajomości API, ale także głębokiego zrozumienia optymalizacji wydajności modeli ML w czasie rzeczywistym.