ML/MLOps Engineer in Germany
⚲ Berlin, Munich, Frankfurt nad Menem, Hamburg
5 000 - 6 400 EUR netto (B2B)
Wymagania
- min. 5 lat doświadczenia jako MLOps Engineer / ML Engineer
- praktyczne doświadczenie z Kubeflow Pipelines (KFP v2)
- doświadczenie w trenowaniu modeli na GPU
- doświadczenie w fine-tuningu LLM/transformerów
- doświadczenie z MLflow (tracking modeli)
- doświadczenie w pracy w regulowanych/enterprise środowiskach cloud-native
- angielski min. Intermediate+
- niemiecki min. Intermediate+
Opis stanowiska
Andersen buduje cloud-native platformę MLOps dla europejskiego klienta z sektora ochrony zdrowia. Będziesz orkiestrować pipeline'y ML w Kubeflow, trenować modele na GPU w Kubernetes, fine-tunować LLM-y oraz rozwijać klasyczne modele boostingowe, wszystko w środowisku zero-trust. To oferta dla doświadczonego MLOps/ML Engineera, który swobodnie porusza się po infrastrukturze chmurowej i chce pracować przy danych medycznych w regulowanym otoczeniu. Uwaga: zarządzanie zasobami GPU w Kubernetes bywa skomplikowane i wymaga głębokiej wiedzy o orkiestracji kontenerów i sprzęcie — warto to zweryfikować na rozmowie.
🔍 Dekoder Ogłoszenia
🔴
cloud-native AI platform
Projekt prawdopodobnie będzie opierał się na usługach chmurowych, co może oznaczać zależność od konkretnego dostawcy i potencjalne koszty.
🟡
scalable machine learning solutions
Oznacza to, że system musi być w stanie obsłużyć rosnącą liczbę użytkowników i danych, co może wymagać ciągłego optymalizowania i skalowania infrastruktury.
🟡
secure, zero-trust environment
Wymaga to ścisłego przestrzegania zasad bezpieczeństwa i ciągłego monitorowania, co może być bardziej czasochłonne niż w mniej restrykcyjnych środowiskach.
🔴
GPU resource management within Kubernetes
Zarządzanie zasobami GPU w Kubernetes może być skomplikowane i wymagać głębokiej wiedzy o orkiestracji kontenerów i sprzęcie.
🔴
lightweight OLAP solution for efficient in-cluster processing
DuckDB jest świetnym narzędziem, ale jego 'lekkość' może oznaczać ograniczenia w porównaniu do pełnoprawnych rozwiązań OLAP przy bardzo dużych obciążeniach.