MLOps Engineer

Firma apreel powstała w kwietniu 2010 roku. W miarę rozwoju firmy i równolegle ze wzrostem poziomu zaufania klientów, jej działalność poszerzyła się o usługi Outsourcingu Specjalistów IT. Dziś to właśnie ten obszar stanowi główny filar działalności apreel.

• Minimum 3 lata doświadczenia w obszarze DevOps, MLOps lub Inżynierii Oprogramowania, w tym praktyka w pracy z modelami ML na produkcji
• Zaawansowana znajomość Docker i Kubernetes (zarządzanie klastrami, Helm charts, Ingress)
• Głęboka znajomość Azure (w szczególności Azure ML, AKS, Azure Container Registry) lub GCP/AWS z gotowością do szybkiego wejścia w Azure
• Doświadczenie w budowaniu pipeline'ów (Azure DevOps, GitHub Actions, Jenkins) uwzględniających specyfikę ML (np. trenowanie modelu jako krok w pipeline)
• Dobra znajomość Python (niezbędna do pracy z SDK narzędzi ML) oraz Bash/Shell
• Praktyczna obsługa MLflow, Kubeflow lub rozwiązań natywnych chmury do zarządzania cyklem życia modelu
• Znajomość Terraform, Bicep lub Ansible
• Podejście "Automation First" – dążenie do eliminacji pracy manualnej poprzez skrypty i narzędzia

Nice to have:

• Certyfikaty Azure: DevOps Engineer Expert (AZ-400) lub Azure AI Engineer (AI-102)
• Doświadczenie we wdrażaniu modeli LLM i architektur RAG
• Znajomość narzędzi do monitoringu (Prometheus, Grafana, Azure Monitor)
• Rozumienie zagadnień sieciowych w chmurze hybrydowej (VPN, VNet, Private Endpoints)
• Znajomość baz wektorowych (np. w kontekście Azure AI Search)

• 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 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
• 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

Lokalizacja: Warszawa/Wola; praca hybrydowa – 1x w tygodniu w biurze