MLOps Engineer (Mid/Regular) -- Medical AI & R&D
⚲ Sopot
Do uzgodnienia
Wymagania
- Python
- SQL
Opis stanowiska
Nasze wymagania:
Doświadczenie komercyjne: minimum 3 lata doświadczenia w obszarze MLOps, ML Engineering, Data Engineering lub pokrewnym, w tym praktyczna praca przy wdrażaniu modeli lub systemów data/ML na środowiska produkcyjne.
Doświadczenie produkcyjne: masz na koncie samodzielny lub współrealizowany udział w utrzymaniu rozwiązań produkcyjnych; rozumiesz, jak projektować rozwiązania niezawodne, obserwowalne i łatwe do rozwijania.
Python i inżynieria oprogramowania: dobrze znasz Pythona oraz potrafisz pisać czytelny, testowalny i utrzymywalny kod.
MLOps stack: znasz narzędzia i praktyki związane z CI/CD, konteneryzacją, orkiestracją i wdrażaniem modeli; swobodnie poruszasz się przynajmniej w części z następującego obszaru: Docker, Kubernetes, MLflow, Airflow, Git, FastAPI, monitorowanie i logging.
Chmura i infrastruktura: masz praktyczne doświadczenie z przynajmniej jedną platformą chmurową lub środowiskiem opartym o usługi infrastrukturalne wykorzystywane do uruchamiania pipeline'ów i usług ML.
Dane i integracje: dobrze rozumiesz pracę z danymi -- potrafisz współpracować z relacyjnymi bazami danych, API i pipeline'ami przetwarzania danych.
Niezawodność i bezpieczeństwo: rozumiesz znaczenie kontroli dostępu, wersjonowania, audytowalności i monitoringu w systemach, które wspierają procesy biznesowe i medyczne.
Współpraca: potrafisz rozmawiać zarówno z osobami technicznymi, jak i nietechnicznymi, porządkować wymagania i proponować praktyczne rozwiązania.
Mile widziane:
Doświadczenie w środowisku regulowanym, np. healthcare, medtech, pharma lub fintech.
Znajomość zagadnień monitorowania jakości modeli, data driftu, model driftu i retrainingu.
Praktyka w udostępnianiu modeli poprzez REST API lub architekturę mikroserwisową.
Doświadczenie z rozwiązaniami LLM / GenAI od strony wdrożeniowej.
Znajomość SQL i podstaw praktyk Data Engineering.
O projekcie:
Tworzymy rozwiązania, które realnie wspierają pracę personelu medycznego i rozwój nowoczesnych usług opartych na danych. Poszukujemy osoby na stanowisko MLOps Engineer, która ma już doświadczenie w pracy z rozwiązaniami Machine Learning i potrafi przełożyć prototypy modeli na stabilne, bezpieczne i utrzymywalne środowiska produkcyjne. To rola dla osoby, która dobrze odnajduje się na styku data science, software engineeringu i infrastruktury, a jednocześnie chce rozwijać się przy projektach o wysokim znaczeniu biznesowym i medycznym.
Będziesz odpowiadać za budowę i rozwój rozwiązań MLOps w organizacji. Szukamy osoby, która rozumie, że wartość modelu pojawia się dopiero wtedy, gdy działa on niezawodnie w środowisku produkcyjnym, jest monitorowany, wersjonowany i możliwy do dalszego rozwoju.
Zakres obowiązków:
Projektowanie, rozwój i utrzymanie pipeline'ów ML wspierających trenowanie, testowanie, wdrażanie i monitorowanie modeli.
Współpraca z Data Scientistami, Data Engineerami i zespołami biznesowymi przy przenoszeniu modeli z fazy eksperymentalnej do produkcji.
Automatyzacja procesów CI/CD dla rozwiązań opartych o Machine Learning.
Budowa i rozwój środowisk do wersjonowania modeli, danych i eksperymentów.
Tworzenie oraz utrzymanie API i usług udostępniających modele innym systemom.
Monitorowanie działania modeli i procesów produkcyjnych, w tym jakości predykcji, wydajności, dostępności i driftu danych.
Wspieranie zespołu w standaryzacji dobrych praktyk związanych z wdrożeniami, bezpieczeństwem, testowaniem i dokumentacją rozwiązań ML.
Udział w rozwoju rozwiązań z obszaru AI/LLM tam, gdzie potrzebna jest solidna warstwa wdrożeniowa i operacyjna.
Oferujemy:
Realny wpływ na sposób budowania i wdrażania rozwiązań AI w organizacji.
Pracę przy projektach, które wspierają procesy medyczne i mają bezpośrednie przełożenie na jakość usług.
Dużą samodzielność, krótką ścieżkę decyzyjną i możliwość proponowania własnych standardów technicznych.
Elastyczną formę współpracy (zdalnie / hybrydowo).
Zatrudnienie w oparciu o UoP lub B2B – Ty decydujesz.
Benefity, które robią różnicę –po okresie próbnym zapewniamy szeroki pakiet dodatków pozapłacowych, w tym: kartę sportową na preferencyjnych warunkach, prywatną opiekę medyczną, pakiet badań laboratoryjnych, zniżki na firmowe produkty i usługi, ubezpieczenie grupowe w Allianz, udział w wydarzeniach i imprezach integracyjnych, Pracownicze Plany Kapitałowe.
Doświadczenie komercyjne: minimum 3 lata doświadczenia w obszarze MLOps, ML Engineering, Data Engineering lub pokrewnym, w tym praktyczna praca przy wdrażaniu modeli lub systemów data/ML na środowiska produkcyjne.
Doświadczenie produkcyjne: masz na koncie samodzielny lub współrealizowany udział w utrzymaniu rozwiązań produkcyjnych; rozumiesz, jak projektować rozwiązania niezawodne, obserwowalne i łatwe do rozwijania.
Python i inżynieria oprogramowania: dobrze znasz Pythona oraz potrafisz pisać czytelny, testowalny i utrzymywalny kod.
MLOps stack: znasz narzędzia i praktyki związane z CI/CD, konteneryzacją, orkiestracją i wdrażaniem modeli; swobodnie poruszasz się przynajmniej w części z następującego obszaru: Docker, Kubernetes, MLflow, Airflow, Git, FastAPI, monitorowanie i logging.
Chmura i infrastruktura: masz praktyczne doświadczenie z przynajmniej jedną platformą chmurową lub środowiskiem opartym o usługi infrastrukturalne wykorzystywane do uruchamiania pipeline'ów i usług ML.
Dane i integracje: dobrze rozumiesz pracę z danymi -- potrafisz współpracować z relacyjnymi bazami danych, API i pipeline'ami przetwarzania danych.
Niezawodność i bezpieczeństwo: rozumiesz znaczenie kontroli dostępu, wersjonowania, audytowalności i monitoringu w systemach, które wspierają procesy biznesowe i medyczne.
Współpraca: potrafisz rozmawiać zarówno z osobami technicznymi, jak i nietechnicznymi, porządkować wymagania i proponować praktyczne rozwiązania.
Mile widziane:
Doświadczenie w środowisku regulowanym, np. healthcare, medtech, pharma lub fintech.
Znajomość zagadnień monitorowania jakości modeli, data driftu, model driftu i retrainingu.
Praktyka w udostępnianiu modeli poprzez REST API lub architekturę mikroserwisową.
Doświadczenie z rozwiązaniami LLM / GenAI od strony wdrożeniowej.
Znajomość SQL i podstaw praktyk Data Engineering.
O projekcie:
Tworzymy rozwiązania, które realnie wspierają pracę personelu medycznego i rozwój nowoczesnych usług opartych na danych. Poszukujemy osoby na stanowisko MLOps Engineer, która ma już doświadczenie w pracy z rozwiązaniami Machine Learning i potrafi przełożyć prototypy modeli na stabilne, bezpieczne i utrzymywalne środowiska produkcyjne. To rola dla osoby, która dobrze odnajduje się na styku data science, software engineeringu i infrastruktury, a jednocześnie chce rozwijać się przy projektach o wysokim znaczeniu biznesowym i medycznym.
Będziesz odpowiadać za budowę i rozwój rozwiązań MLOps w organizacji. Szukamy osoby, która rozumie, że wartość modelu pojawia się dopiero wtedy, gdy działa on niezawodnie w środowisku produkcyjnym, jest monitorowany, wersjonowany i możliwy do dalszego rozwoju.
Zakres obowiązków:
Projektowanie, rozwój i utrzymanie pipeline'ów ML wspierających trenowanie, testowanie, wdrażanie i monitorowanie modeli.
Współpraca z Data Scientistami, Data Engineerami i zespołami biznesowymi przy przenoszeniu modeli z fazy eksperymentalnej do produkcji.
Automatyzacja procesów CI/CD dla rozwiązań opartych o Machine Learning.
Budowa i rozwój środowisk do wersjonowania modeli, danych i eksperymentów.
Tworzenie oraz utrzymanie API i usług udostępniających modele innym systemom.
Monitorowanie działania modeli i procesów produkcyjnych, w tym jakości predykcji, wydajności, dostępności i driftu danych.
Wspieranie zespołu w standaryzacji dobrych praktyk związanych z wdrożeniami, bezpieczeństwem, testowaniem i dokumentacją rozwiązań ML.
Udział w rozwoju rozwiązań z obszaru AI/LLM tam, gdzie potrzebna jest solidna warstwa wdrożeniowa i operacyjna.
Oferujemy:
Realny wpływ na sposób budowania i wdrażania rozwiązań AI w organizacji.
Pracę przy projektach, które wspierają procesy medyczne i mają bezpośrednie przełożenie na jakość usług.
Dużą samodzielność, krótką ścieżkę decyzyjną i możliwość proponowania własnych standardów technicznych.
Elastyczną formę współpracy (zdalnie / hybrydowo).
Zatrudnienie w oparciu o UoP lub B2B – Ty decydujesz.
Benefity, które robią różnicę –po okresie próbnym zapewniamy szeroki pakiet dodatków pozapłacowych, w tym: kartę sportową na preferencyjnych warunkach, prywatną opiekę medyczną, pakiet badań laboratoryjnych, zniżki na firmowe produkty i usługi, ubezpieczenie grupowe w Allianz, udział w wydarzeniach i imprezach integracyjnych, Pracownicze Plany Kapitałowe.
🔍 Dekoder Ogłoszenia
🔴
minimum 3 lata doświadczenia w obszarze MLOps, ML Engineering, Data Engineering lub pokrewnym, w tym praktyczna praca przy wdrażaniu modeli lub systemów data/ML na środowiska produkcyjne.
Chociaż wymieniono kilka obszarów, nacisk kładziony jest na praktyczne wdrożenia produkcyjne, co może oznaczać, że doświadczenie w samych narzędziach bez wdrożeń nie będzie wystarczające.
🟡
masz na koncie samodzielny lub współrealizowany udział w utrzymaniu rozwiązań produkcyjnych; rozumiesz, jak projektować rozwiązania niezawodne, obserwowalne i łatwe do rozwijania.
Wymagane jest nie tylko umiejętność wdrażania, ale także udokumentowane doświadczenie w utrzymaniu i projektowaniu systemów pod kątem długoterminowej stabilności i skalowalności.
🟡
dobrze znasz Pythona oraz potrafisz pisać czytelny, testowalny i utrzymywalny kod.
Oczekuje się nie tylko znajomości języka, ale także stosowania dobrych praktyk inżynierii oprogramowania, co może być weryfikowane podczas rozmowy technicznej lub przeglądu kodu.
🔴
swobodnie poruszasz się przynajmniej w części z następującego obszaru: Docker, Kubernetes, MLflow, Airflow, Git, FastAPI, monitorowanie i logging.
Nie trzeba znać wszystkich wymienionych narzędzi, ale posiadanie głębokiej wiedzy w kilku kluczowych obszarach jest niezbędne, a brak znajomości któregoś z nich może być problemem.
🟡
masz praktyczne doświadczenie z przynajmniej jedną platformą chmurową lub środowiskiem opartym o usługi infrastrukturalne wykorzystywane do uruchamiania pipeline'ów i usług ML.
Wymagane jest praktyczne doświadczenie, a nie tylko teoretyczna wiedza o chmurach, co oznacza, że trzeba będzie wykazać się umiejętnością konfiguracji i zarządzania usługami chmurowymi.