ML/MLOps Engineer
Polpharma
⚲ Warszawa
Wymagania
- Machine Learning
- PySpark
- Azure Databricks
- Azure
- Azure Machine learning
- SQL
- Azure DevOps
- Python
- MLOps
Opis stanowiska
Poszukujemy doświadczonej i zmotywowanej osoby na stanowisko ML/MLOps Engineer, która dołączy do naszego zespołu. Będziesz odpowiedzialny/a za rozwijanie, wdrażanie i utrzymywanie modeli uczenia maszynowego oraz zarządzanie infrastrukturą MLOps. Jeśli masz doświadczenie w tych obszarach i chcesz pracować w dynamicznym środowisku, zapraszamy do aplikowania! Twój zakres obowiązków: • Automatyzacja procesów trenowania, testowania i wdrażania modeli ML oraz deep learning (DL) • Tworzenie i utrzymywanie pipeline'ów CI\CD dla modeli ML/DL z użyciem Azure DevOps, oraz frameworków ML, • Projektowanie i implementacja pipeline’ów danych z użyciem Azure Data Factory oraz Azure Databricks • Monitorowanie i optymalizacja wydajności modeli • Implementacja najlepszych praktyk MLOps w wersjonowaniu, wdrażaniu i monitoringu modeli • Współpraca z zespołami IT w celu integracji modeli z aplikacjami biznesowymi To oferujemy: • Pracę hybrydową • Prywatną opiekę medyczną • Ubezpieczenie na życie • Kartę Multisport • Nowoczesną Platformę Benefitową • Szkolenia i rozwój kompetencji zawodowych • Kartę lunchową 350 PLN • Paczki świąteczne dla dzieci • Jeden dodatkowy dzień wolny • Pracowniczy Program Emerytalny Nasze oczekiwania: • Minimum 3 lata doświadczenia zawodowego w komercyjnych projektach związanych z modelowaniem, trenowaniem i wdrażaniem modeli uczenia maszynowego • Praktyczne doświadczenie w pracy z usługami Azure, w szczególności Azure Databricks, Azure Machine Learning, Azure DevOps • Znajomość narzędzi i frameworków MLOps, takich jak MLflow, PyTorch, TensorFlow • Umiejętność budowy pipeline’ów MLOps, konfiguracji i zarządzania ciągłym dostarczaniem (CI\CD) dla modeli oraz automatyzacji procesów MLOps • Zaawansowana praktyczna znajomość SQL, Python, PySpark • Umiejętność monitorowania, analizy i optymalizacji wydajności modeli ML • Zrozumienie podstawowych zagadnień związanych z bezpieczeństwem modeli ML i danych