MLOps Engineer

Do zespołu rozwijającego platformę AI w branży ubezpieczeniowej poszukujemy MLOps Engineer’a, który będzie odpowiadać za projektowanie, budowę i utrzymanie środowiska MLOps/LLMOps w chmurze Azure. Rola łączy kompetencje DevOps, Cloud i Machine Learning Engineering – z silnym naciskiem na automatyzację, niezawodność i bezpieczeństwo rozwiązań AI.

• Minimum 3 lata doświadczenia w obszarze DevOps / MLOps / Software Engineering, w tym praca z modelami ML na produkcji.
• Bardzo dobra znajomość Docker i Kubernetes (zarządzanie klastrami, Helm, Ingress).
• Doświadczenie z chmurą publiczną – preferowany Azure (Azure ML, AKS, ACR) lub AWS/GCP z gotowością do szybkiego wejścia w Azure.
• Praktyka w budowie pipeline’ów CI/CD (Azure DevOps, GitHub Actions, Jenkins), uwzględniających specyfikę ML.
• Bardzo dobra znajomość Python oraz skryptowania (Bash/Shell).
• Doświadczenie z narzędziami MLOps (MLflow, Kubeflow lub rozwiązania natywne chmury).
• Znajomość Infrastructure as Code (Terraform, Bicep lub Ansible).
• Wykształcenie wyższe techniczne (informatyka lub kierunki pokrewne).
• Świadczenie usług z terytorium Polski i gotowość do pracy hybrydowej (1 dzień w tygodniu w biurze).

Nice to have:

• Certyfikaty: Azure DevOps Engineer Expert (AZ-400), Azure AI Engineer (AI-102).
• Doświadczenie z LLM, GenAI, architekturami RAG.
• Znajomość narzędzi monitoringu: Prometheus, Grafana, Azure Monitor.
• Rozumienie sieci w chmurze hybrydowej (VPN, VNet, Private Endpoints).
• Doświadczenie z bazami wektorowymi (np. Azure AI Search).

• Projektowanie, budowa i utrzymanie platformy AI/MLOps w środowisku hybrydowym (cloud + on-premise).
• Tworzenie skalowalnej infrastruktury do trenowania i serwowania modeli przy użyciu Azure Machine Learning, Azure AI Foundry oraz AKS.
• Budowa i rozwój pipeline’ów CI/CD/CT dla rozwiązań ML (automatyczne testy, wersjonowanie danych i modeli, continuous training).
• Konteneryzacja i orkiestracja: przygotowanie obrazów Docker dla modeli AI/GenAI oraz wdrażanie ich na Kubernetes (AKS).
• Implementacja monitoringu i observability: logowanie, alertowanie, monitoring modeli (data drift, model drift, jakość predykcji).
• Wsparcie inicjatyw związanych z AI Act: audytowalność modeli, lineage danych, bezpieczeństwo, kontrola dostępu, szyfrowanie.
• Optymalizacja kosztów i wydajności: skalowanie infrastruktury, zarządzanie zasobami Azure, poprawa czasu inferencji.
• Współpraca z zespołami Data Science, IT Operations, Security i biznesem.

Świadczenie usług z terytorium Polski i gotowość do pracy hybrydowej (1 dzień w tygodniu w biurze).