MLOps Engineer
⚲ Warszawa
24 360 - 26 040 PLN netto (B2B)
Wymagania
- minimum 8 lat doświadczenia
- bardzo dobra znajomość silników decyzyjnych
- doświadczenie w pracy z danymi i modelami wspierającymi procesy CRM (marketing, sprzedaż, kampanie)
- praktyczna znajomość Google Cloud Platform (BigQuery, AI/Vertex AI Notebooks, MLflow, DataProc, Airflow, DataFlow)
- doświadczenie w pracy zgodnie z dobrymi praktykami MLOps (CI/CD dla modeli ML)
- doświadczenie w przetwarzaniu danych w środowisku rozproszonym (Spark/PySpark)
- wykształcenie wyższe (kierunki ilościowe, techniczne lub pokrewne)
Mile widziane
- doświadczenie w budowie i wdrażaniu rozwiązań opartych o GenAI i LLM
Opis stanowiska
Team Connect szuka MLOps Engineera dla klienta z branży bankowej. Będziesz budować i rozwijać modele NLP (deep learning, transformery, LLM) z użyciem PyTorch, projektować modele ML/AI (klasyfikacja, regresja, analizy GEO, sieci społeczne) od prototypu do produkcji oraz utrzymywać je w cyklu życia (Model Lifecycle Management). Praca hybrydowa z Warszawy (2 dni w biurze). Uwaga: opis wskazuje, że Twoja praca będzie miała bezpośredni wpływ na wyniki sprzedażowe i doświadczenie klientów banku — to sygnał, że mogą być mierzalne oczekiwania biznesowe i presja na rezultaty, nie tylko na jakość techniczną.
🔍 Dekoder Ogłoszenia
🔴
wiodący w Polsce dostawca usług IT
Firma pozycjonuje się jako lider, co może sugerować dużą konkurencję wewnętrzną lub wysokie oczekiwania.
🔴
ekspert ds. modelowania predykcyjnego
Choć brzmi to jak stanowisko dla doświadczonej osoby, może oznaczać, że oczekuje się od kandydata samodzielności w rozwiązywaniu problemów bez wsparcia.
🔴
Twoja praca będzie miała bezpośredni wpływ na wyniki sprzedażowe oraz doświadczenie klientów banku
Może to oznaczać dużą presję na osiąganie konkretnych, mierzalnych rezultatów biznesowych, a nie tylko technicznych.
🟡
od etapu prototypowania do wdrożenia produkcyjnego
Oznacza to, że kandydat będzie musiał być zaangażowany w cały cykl życia modelu, od pomysłu po utrzymanie w produkcji.
🟡
Model Lifecycle Management / „fabryka modeli”
Sugeruje, że firma posiada lub planuje wdrożyć ustrukturyzowany proces zarządzania modelami ML, co może być zarówno zaletą (stabilność), jak i wadą (biurokracja).