MLOps Engineer

Nasz Klient to niekwestionowany lider w dziedzinie usług ubezpieczeniowych w Polsce, specjalizujący się głównie w obszarze ubezpieczeń majątkowych i osobowych. Firma zatrudnia ponad 1000 pracowników w IT oraz zajmuje się windykacją i wsparciem klientów w spłacie zobowiązań finansowych. Klient regularnie wprowadza zmiany w swoich systemach, dążąc do zwiększenia efektywności usług i stosowania nowoczesnych rozwiązań IT.

• 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)
• Doświadczenie z chmurą publiczną: głęboka znajomość Azure (zwłaszcza Azure ML, AKS, Azure Container Registry) lub GCP/AWS z gotowością do szybkiego wejścia w Azure
• Doświadczenie w budowaniu pipeline'ów CI/CD (np. Azure DevOps, GitHub Actions, Jenkins) z uwzględnieniem specyfiki ML
• Dobra znajomość Python oraz Bash/Shell
• Praktyczna znajomość narzędzi MLOps: MLflow, Kubeflow lub rozwiązań natywnych chmury do zarządzania cyklem życia modelu
• Znajomość Infrastructure as Code (IaC): Terraform, Bicep lub Ansible
• Świadczenie usług z terytorium Polski
• Praca hybrydowa – minimum 1 dzień w tygodniu w biurze

• 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 w celu zapewnienia wysokiej dostępności usług AI
• Wsparcie techniczne dla AI Act: implementacja narzędzi do audytowalności modeli, lineage 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

• Świadczenie usług z terytorium Polski
• Praca hybrydowa – minimum 1 dzień w tygodniu w biurze w Warszawie