MLOps Inżynier/Inżynierka
AVENGA (Agencja Pracy, nr KRAZ: 8448)
⚲ Warszawa
23 520 - 27 720 PLN (B2B)
Wymagania
- Azure
- Helm Charts
- AKS
- Azure DevOps
- Jenkins
- Python
- Kubeflow
Opis stanowiska
O projekcie:
Poszukujemy doświadczonej osoby na stanowisko MLOps Inżynier/Inżynierka do projektu z branży ubezpieczeniowej dotyczącego systemu PML. Praca w modelu hybrydowym, 1 dzień w tygodniu minimum, z biura w Warszawie.
Wymagania:
• Minimum 3 lata doświadczenia w obszarze DevOps, MLOps lub Inżynierii Oprogramowania, w tym praktyka w pracy z modelami ML na produkcji.
• Biegłość w konteneryzacji i orkiestracji: Zaawansowana znajomość Docker i Kubernetes (zarządzanie klastrami, Helm charts, Ingress).
• Doświadczenie z chmurą Publiczną: Głęboka znajomość Azure (w szczególności Azure ML, AKS, Azure Container Registry) lub GCP/AWS z gotowością do szybkiego wejścia w Azure.
• Praktyka w CI/CD: Doświadczenie w budowaniu pipeline'ów (Azure DevOps, GitHub Actions, Jenkins) uwzględniających specyfikę ML (np. trenowanie modelu jako krok w pipeline).
• Programowanie i skryptowanie: Dobra znajomość Python (niezbędna do pracy z SDK narzędzi ML) oraz Bash/Shell.
• Znajomość narzędzi MLOps: Praktyczna obsługa MLflow, Kubeflow lub rozwiązań natywnych chmury do zarządzania cyklem życia modelu.
• Infrastructure as Code (IaC): Znajomość Terraform, Bicep lub Ansible.
Codzienne zadania:
- Tworzenie i utrzymanie platformy AI w branży ubezpieczeniowej:
- Projektowanie i budowa infrastruktury MLOps/LLMOps: Tworzenie skalowalnego środowiska do trenowania i serwowania modeli przy użyciu Azure Machine Learning, Azure AI Foundry oraz Kubernetes (AKS).
- Automatyzacja procesów CI/CD/CT: Implementacja potoków (pipelines) CI/CD dla rozwiązań ML, obejmujących automatyczne testowanie, wersjonowanie danych i modeli (DVC, MLflow) oraz Continuous Training (CT).
- Konteneryzacja i orkiestracja: Przygotowywanie obrazów Docker dla modeli AI/GenAI oraz zarządzanie ich wdrożeniami na klastrach Kubernetes w architekturze hybrydowej (integracja z systemami on-premise).
- Monitoring i Observability: Wdrożenie zaawansowanego monitoringu modeli (wykrywanie Data Drift/Model Drift), logowania i alertowania, aby zapewnić wysoką dostępność usług AI.
- Wsparcie techniczne dla AI Act: Implementacja narzędzi do audytowalności modeli, lineage (śledzenie pochodzenia danych) oraz bezpieczeństwa (zarządzanie dostępem, szyfrowanie) zgodnie z wymogami regulacyjnymi.
- Optymalizacja kosztów i wydajności: Zarządzanie zasobami chmurowymi Azure, optymalizacja czasu inferencji modeli oraz skalowanie infrastruktury w zależności od obciążenia.
Poszukujemy doświadczonej osoby na stanowisko MLOps Inżynier/Inżynierka do projektu z branży ubezpieczeniowej dotyczącego systemu PML. Praca w modelu hybrydowym, 1 dzień w tygodniu minimum, z biura w Warszawie.
Wymagania:
• Minimum 3 lata doświadczenia w obszarze DevOps, MLOps lub Inżynierii Oprogramowania, w tym praktyka w pracy z modelami ML na produkcji.
• Biegłość w konteneryzacji i orkiestracji: Zaawansowana znajomość Docker i Kubernetes (zarządzanie klastrami, Helm charts, Ingress).
• Doświadczenie z chmurą Publiczną: Głęboka znajomość Azure (w szczególności Azure ML, AKS, Azure Container Registry) lub GCP/AWS z gotowością do szybkiego wejścia w Azure.
• Praktyka w CI/CD: Doświadczenie w budowaniu pipeline'ów (Azure DevOps, GitHub Actions, Jenkins) uwzględniających specyfikę ML (np. trenowanie modelu jako krok w pipeline).
• Programowanie i skryptowanie: Dobra znajomość Python (niezbędna do pracy z SDK narzędzi ML) oraz Bash/Shell.
• Znajomość narzędzi MLOps: Praktyczna obsługa MLflow, Kubeflow lub rozwiązań natywnych chmury do zarządzania cyklem życia modelu.
• Infrastructure as Code (IaC): Znajomość Terraform, Bicep lub Ansible.
Codzienne zadania:
- Tworzenie i utrzymanie platformy AI w branży ubezpieczeniowej:
- Projektowanie i budowa infrastruktury MLOps/LLMOps: Tworzenie skalowalnego środowiska do trenowania i serwowania modeli przy użyciu Azure Machine Learning, Azure AI Foundry oraz Kubernetes (AKS).
- Automatyzacja procesów CI/CD/CT: Implementacja potoków (pipelines) CI/CD dla rozwiązań ML, obejmujących automatyczne testowanie, wersjonowanie danych i modeli (DVC, MLflow) oraz Continuous Training (CT).
- Konteneryzacja i orkiestracja: Przygotowywanie obrazów Docker dla modeli AI/GenAI oraz zarządzanie ich wdrożeniami na klastrach Kubernetes w architekturze hybrydowej (integracja z systemami on-premise).
- Monitoring i Observability: Wdrożenie zaawansowanego monitoringu modeli (wykrywanie Data Drift/Model Drift), logowania i alertowania, aby zapewnić wysoką dostępność usług AI.
- Wsparcie techniczne dla AI Act: Implementacja narzędzi do audytowalności modeli, lineage (śledzenie pochodzenia danych) oraz bezpieczeństwa (zarządzanie dostępem, szyfrowanie) zgodnie z wymogami regulacyjnymi.
- Optymalizacja kosztów i wydajności: Zarządzanie zasobami chmurowymi Azure, optymalizacja czasu inferencji modeli oraz skalowanie infrastruktury w zależności od obciążenia.
🔍 Dekoder Ogłoszenia
🟡
Praca w modelu hybrydowym, 1 dzień w tygodniu minimum, z biura w Warszawie.
Oznacza to, że większość pracy będzie zdalna, ale wymagana jest obecność w biurze raz w tygodniu.
🔴
Minimum 3 lata doświadczenia w obszarze DevOps, MLOps lub Inżynierii Oprogramowania, w tym praktyka w pracy z modelami ML na produkcji.
Chociaż wymieniono kilka obszarów, nacisk kładziony jest na doświadczenie z modelami ML na produkcji, co może oznaczać, że inne obszary są mniej istotne.
🔴
Głęboka znajomość Azure (w szczególności Azure ML, AKS, Azure Container Registry) lub GCP/AWS z gotowością do szybkiego wejścia w Azure.
Firma preferuje Azure, a znajomość innych chmur jest tylko opcją, jeśli jesteś gotów szybko się przestawić.
🟡
Praktyka w CI/CD: Doświadczenie w budowaniu pipeline'ów (Azure DevOps, GitHub Actions, Jenkins) uwzględniających specyfikę ML (np. trenowanie modelu jako krok w pipeline).
Oczekuje się nie tylko standardowego CI/CD, ale także zrozumienia i implementacji specyficznych dla ML procesów.
🔴
Tworzenie i utrzymanie platformy AI w branży ubezpieczeniowej: Projektowanie i budowa infrastruktury MLOps/LLMOps: Tworzenie skalowalnego środowiska do trenowania i serwowania modeli przy użyciu Azure Machine Learning, Azure AI Foundry oraz Kubernetes (AKS).
Zakres obowiązków jest szeroki i obejmuje zarówno tworzenie od podstaw, jak i utrzymanie, co może oznaczać dużą odpowiedzialność.