MLOps Engineer

Ness Solution is offering a role focused on developing modern AI and machine learning solutions with access to cloud infrastructure and collaboration with experienced specialists.

• Min. 3 lata doświadczenia na stanowisku MLOps Engineer, DevOps Engineer, Machine Learning Engineer lub podobnym.
• Praktyczna znajomość języka Python oraz narzędzi wspierających rozwój oprogramowania.
• Doświadczenie w budowaniu i utrzymywaniu potoków CI/CD.
• Znajomość narzędzi konteneryzacji, takich jak Docker, oraz platform orkiestracji, np. Kubernetes.
• Znajomość jednej z głównych platform chmurowych: AWS, Microsoft Azure lub Google Cloud.
• Znajomość Terraform, Helm, Airflow lub podobnych narzędzi.
• Doświadczenie w pracy z narzędziami do zarządzania eksperymentami i modelami, np. MLflow, Kubeflow lub podobnymi.
• Znajomość systemów kontroli wersji, w szczególności Git.
• Znajomość zagadnień związanych z monitorowaniem, logowaniem i zapewnianiem niezawodności systemów.
• Znajomość baz danych oraz narzędzi do przetwarzania danych będzie dodatkowym atutem.
• Umiejętność analitycznego myślenia, rozwiązywania problemów i pracy zespołowej.
• Dobra znajomość języka angielskiego umożliwiająca pracę z dokumentacją techniczną i komunikację w środowisku międzynarodowym.

Nice to have:

• Doświadczenie w produkcyjnym wdrażaniu modeli uczenia maszynowego.
• Doświadczenie w pracy z systemami GPU i rozwiązaniami wspierającymi trenowanie modeli.
• Znajomość praktyk Data Governance, bezpieczeństwa danych i zgodności regulacyjnej.
• Doświadczenie w implementacji mechanizmów monitorowania driftu danych i modeli.
• Znajomość koncepcji GitOps oraz praktyk SRE.

• Projektowanie i rozwój procesów MLOps oraz infrastruktury wspierającej cykl życia modeli ML.
• Automatyzacja trenowania, testowania, wdrażania i monitorowania modeli.
• Budowa oraz utrzymanie potoków CI/CD dla aplikacji i modeli uczenia maszynowego.
• Wdrażanie rozwiązań do zarządzania wersjami kodu, danych, modeli i eksperymentów.
• Monitorowanie wydajności modeli, jakości predykcji oraz stabilności środowisk produkcyjnych.
• Współpraca z zespołami Data Science i Engineering przy przechodzeniu modeli z etapu eksperymentalnego do produkcyjnego.
• Zarządzanie infrastrukturą chmurową lub lokalną z wykorzystaniem podejścia Infrastructure as Code.
• Dbanie o skalowalność, bezpieczeństwo, niezawodność i optymalizację kosztów rozwiązań ML.
• Tworzenie i aktualizowanie dokumentacji technicznej oraz standardów wdrażania modeli.
• Identyfikowanie i rozwiązywanie problemów związanych z działaniem modeli oraz procesów produkcyjnych.