Machine Learning Engineer

Nasz Klient to międzynarodowa organizacja rozwijająca nowoczesne rozwiązania technologiczne wykorzystujące Machine Learning do analizy danych, automatyzacji procesów oraz wspierania decyzji biznesowych. Projekt koncentruje się na rozwoju i wdrażaniu modeli Machine Learning w środowisku chmurowym Azure.

Must have:

• Minimum 3 lata komercyjnego doświadczenia w dziedzinie Machine Learning Engineering lub MLOps
• Bardzo dobra znajomość Python i doświadczenie w produkcyjnych rozwiązaniach ML
• Praktyczne doświadczenie z platformą Azure, zwłaszcza usługami do rozwoju i wdrażania modeli Machine Learning
• Znajomość Azure Machine Learning i procesów trenowania, rejestrowania oraz wdrażania modeli
• Doświadczenie w projektowaniu i rozwijaniu procesów MLOps
• Umiejętność automatyzacji pipeline'ów ML oraz zarządzania cyklem życia modeli
• Znajomość procesów CI/CD w kontekście rozwiązań Machine Learning
• Doświadczenie w konteneryzacji aplikacji i modeli przy użyciu Docker
• Dobre rozumienie metod Machine Learning, ewaluacji modeli i metryk jakości
• Doświadczenie w przygotowaniu i przetwarzaniu danych do trenowania modeli
• Znajomość zasad wersjonowania modeli, eksperymentów i artefaktów ML
• Umiejętność monitorowania produkcyjnych modeli oraz identyfikowania problemów z wydajnością i jakością
• Dobre rozumienie projektowania skalowalnych i niezawodnych rozwiązań chmurowych
• Umiejętność samodzielnej analizy problemów technicznych i proponowania rozwiązań

Nice to have:

• Znajomość Kubernetes i wdrażania modeli w środowiskach kontenerowych
• Doświadczenie z MLflow
• Znajomość PyTorch, TensorFlow lub scikit-learn
• Doświadczenie z Terraform lub narzędziami Infrastructure as Code
• Znajomość Azure DevOps lub GitHub Actions
• Doświadczenie w monitorowaniu data drift i model drift
• Znajomość rozwiązań GenAI oraz wdrażania modeli LLM w chmurze

• Projektowanie i rozwijanie rozwiązań Machine Learning wykorzystywanych w systemach produkcyjnych
• Przygotowywanie i optymalizacja procesów trenowania, walidacji i wdrażania modeli
• Automatyzacja cyklu życia modeli ML od przygotowania danych po monitoring
• Rozwijanie infrastruktury umożliwiającej niezawodne i powtarzalne wdrażanie rozwiązań ML
• Budowanie procesów zapewniających jakość, wydajność i skalowalność modeli
• Monitorowanie skuteczności modeli oraz identyfikowanie zmian wpływających na jakość
• Projektowanie mechanizmów integracji modeli z aplikacjami i usługami
• Optymalizacja procesów przetwarzania danych dla rozwiązań ML
• Rozwijanie standardów wersjonowania, testowania i utrzymania modeli
• Analiza problemów technicznych i proponowanie usprawnień zwiększających stabilność
• Współpraca z zespołami Data Science, Data Engineering i Software Engineering przy rozwoju rozwiązań opartych na Machine Learning