MLOps Engineer

Poszukujemy MLOps Engineera, który dołączy do zespołu rozwijającego platformę AI w ramach dużego programu transformacyjnego w branży ubezpieczeniowej. Projekt dotyczy budowy nowoczesnego ekosystemu obsługi szkód i świadczeń, opartego na danych, automatyzacji, AI oraz procesach workflow, mającego na celu usprawnienie obsługi klientów i wspieranie rozwoju nowoczesnych technologii w organizacji.

• Minimum 3 lata doświadczenia w obszarze DevOps, MLOps lub Software Engineering oraz doświadczenie z modelami ML działającymi na produkcji
• Bardzo dobra znajomość Docker i Kubernetes, w tym zarządzania klastrami, Helm Charts i Ingress
• Dobra znajomość Azure, szczególnie Azure ML, AKS i Azure Container Registry, lub doświadczenie z GCP/AWS i gotowość do szybkiego wejścia w Azure
• Doświadczenie w budowaniu pipeline'ów CI/CD z wykorzystaniem np. Azure DevOps, GitHub Actions lub Jenkins, również dla procesów ML
• Dobra znajomość Python oraz Bash/Shell
• Praktyczna znajomość narzędzi MLOps, takich jak MLflow, Kubeflow lub rozwiązania natywne chmury
• Znajomość Infrastructure as Code, np. Terraform, Bicep lub Ansible
• Wykształcenie wyższe techniczne, np. Informatyka, Telekomunikacja lub kierunek pokrewny
• Podejście Automation First i nastawienie na automatyzację manualnych procesów
• Umiejętność współpracy z zespołami Data Science i IT Operations
• Proaktywność w rozwiązywaniu problemów wydajnościowych i incydentów produkcyjnych

Nice to have:

• Certyfikat Azure DevOps Engineer Expert (AZ-400) lub Azure AI Engineer (AI-102)
• Doświadczenie we wdrażaniu modeli LLM
• Znajomość narzędzi monitoringowych, takich jak Prometheus, Grafana lub Azure Monitor
• Znajomość zagadnień sieciowych w środowisku hybrydowym, m.in. VPN, VNet, Private Endpoints
• Znajomość baz wektorowych, np. w kontekście Azure AI Search

• Projektowanie, rozwój i utrzymanie infrastruktury MLOps/LLMOps oraz platformy AI
• Budowa skalowalnego środowiska do trenowania i serwowania modeli z wykorzystaniem Azure Machine Learning, Azure AI Foundry oraz Kubernetes/AKS
• Tworzenie i rozwój pipeline'ów CI/CD/CT, obejmujących automatyczne testowanie, trening oraz wersjonowanie danych i modeli z wykorzystaniem m.in. DVC i MLflow
• Przygotowywanie obrazów Docker oraz wdrażanie modeli AI/GenAI na klastrach Kubernetes
• Integracja środowiska chmurowego z systemami on-premise
• Rozwój monitoringu i observability modeli, w tym wykrywanie Data Drift i Model Drift, logowanie oraz alertowanie
• Wdrażanie rozwiązań wspierających audytowalność modeli, lineage danych, zarządzanie dostępem i bezpieczeństwo
• Optymalizacja kosztów, wydajności i czasu inferencji oraz skalowanie infrastruktury w zależności od obciążenia