MLOps Engineer
SQUARE ONE RESOURCES sp. z o.o.
⚲ Warszawa, Mokotów
140–165 zł netto (+ VAT) / godz.
Wymagania
- MLOps
- Python
- AWS Sagemaker
Opis stanowiska
Nasze wymagania:
Min. 5+ lat doświadczenia w roli Machine Learning Engineer / MLOps Engineer / ML Engineer
Bardzo dobra znajomość Pythona i ekosystemu data science
Doświadczenie w budowie i wdrażaniu modeli ML do produkcji
Praktyczne doświadczenie z AWS SageMaker
Znajomość co najmniej jednego frameworka deep learning (TensorFlow lub PyTorch)
Doświadczenie w MLOps: MLflow (tracking, model registry)
Doświadczenie w CI/CD (GitLab CI/CD)
Umiejętność projektowania i opisywania architektury systemów ML
Doświadczenie w pracy z systemami chmurowymi (preferowany AWS)
Doświadczenie we współpracy z Data Science / Data Engineering zespołami
O projekcie:
Szukamy dwóch doświadczonych inżynierów, którzy dołączą do zespołu rozwijającego globalnie wdrożony system rekomendacyjny. System już dziś generuje istotną wartość biznesową w wielu krajach, a teraz wchodzimy w etap jego dalszej ewolucji i profesjonalizacji w obszarze MLOps i skalowania.
To rola dla osób, które chcą realnie wpływać na architekturę produkcyjnych systemów ML i współtworzyć standardy pracy dla zespołów data science i ML engineerin
Zakres obowiązków:
Projektowanie i rozwój architektury produkcyjnego systemu rekomendacyjnego
Budowa i rozwój standardów MLOps w organizacji
Tworzenie i optymalizacja pipeline’ów CI/CD w GitLab
Implementacja i rozwój procesu MLflow (tracking eksperymentów, wersjonowanie modeli)
Wdrażanie modeli ML do produkcji na AWS SageMaker
Współpraca z Data Scientistami w zakresie produkcjonalizacji modeli
Budowa rozwiązań zapewniających monitoring, obserwowalność i niezawodność modeli
Aktywne programowanie w Pythonie (data/ML infrastructure, deployment, pipelines)
Mentoring i wsparcie techniczne dla Data Scientistów i inżynierów
Współpraca z Product Ownerami i stakeholderami biznesowymi
Min. 5+ lat doświadczenia w roli Machine Learning Engineer / MLOps Engineer / ML Engineer
Bardzo dobra znajomość Pythona i ekosystemu data science
Doświadczenie w budowie i wdrażaniu modeli ML do produkcji
Praktyczne doświadczenie z AWS SageMaker
Znajomość co najmniej jednego frameworka deep learning (TensorFlow lub PyTorch)
Doświadczenie w MLOps: MLflow (tracking, model registry)
Doświadczenie w CI/CD (GitLab CI/CD)
Umiejętność projektowania i opisywania architektury systemów ML
Doświadczenie w pracy z systemami chmurowymi (preferowany AWS)
Doświadczenie we współpracy z Data Science / Data Engineering zespołami
O projekcie:
Szukamy dwóch doświadczonych inżynierów, którzy dołączą do zespołu rozwijającego globalnie wdrożony system rekomendacyjny. System już dziś generuje istotną wartość biznesową w wielu krajach, a teraz wchodzimy w etap jego dalszej ewolucji i profesjonalizacji w obszarze MLOps i skalowania.
To rola dla osób, które chcą realnie wpływać na architekturę produkcyjnych systemów ML i współtworzyć standardy pracy dla zespołów data science i ML engineerin
Zakres obowiązków:
Projektowanie i rozwój architektury produkcyjnego systemu rekomendacyjnego
Budowa i rozwój standardów MLOps w organizacji
Tworzenie i optymalizacja pipeline’ów CI/CD w GitLab
Implementacja i rozwój procesu MLflow (tracking eksperymentów, wersjonowanie modeli)
Wdrażanie modeli ML do produkcji na AWS SageMaker
Współpraca z Data Scientistami w zakresie produkcjonalizacji modeli
Budowa rozwiązań zapewniających monitoring, obserwowalność i niezawodność modeli
Aktywne programowanie w Pythonie (data/ML infrastructure, deployment, pipelines)
Mentoring i wsparcie techniczne dla Data Scientistów i inżynierów
Współpraca z Product Ownerami i stakeholderami biznesowymi
🔍 Dekoder Ogłoszenia
🔴
Min. 5+ lat doświadczenia w roli Machine Learning Engineer / MLOps Engineer / ML Engineer
Może oznaczać, że szukają kogoś, kto ma doświadczenie w obu rolach, a niekoniecznie 5 lat w każdej z nich.
🔴
chcą realnie wpływać na architekturę produkcyjnych systemów ML i współtworzyć standardy pracy dla zespołów data science i ML engineerin
Może oznaczać, że obecne standardy są słabe lub nie istnieją, a rola będzie polegać na ich tworzeniu od podstaw.
🔴
profesjonalizacji w obszarze MLOps i skalowania
System może być w fazie rozwoju lub mieć problemy z wydajnością, a MLOps jest postrzegany jako rozwiązanie tych problemów.
🔴
Współpraca z Data Scientistami w zakresie produkcjonalizacji modeli
Może oznaczać, że Data Scienciści tworzą modele, które nie są gotowe do produkcji i wymagają znaczącej pracy inżynierskiej.