51389 / MLOps Engineer / Regular / 1
An MLOps Engineer builds and maintains an AI/LLM platform from the ground up for a major Polish insurance client: designing MLOps/LLMOps infrastructure (Azure ML, Azure AI Foundry, AKS, Docker, MLflow, Terraform), CI/CD/CT pipelines, model monitoring, and AI Act compliance tooling. Hybrid role in Poland (min. 1 day/week from office), B2B rate 150-170 PLN/h net + VAT.
- Compensation
- PLN 150–PLN 170 / hr
- Location
- Not listed
- Work setup
- Hybrid
- Seniority
- Not specified
- Employment
- Not specified
- Experience
- Not specified
- Category
- Devops
- Posted
Skills
Must have
- Minimum 3 years of experience in DevOps, MLOps or Software Engineering, including practice with ML models in production
- Advanced knowledge of Docker and Kubernetes (cluster management, Helm charts, Ingress)
- Deep knowledge of public cloud: Azure (especially Azure ML, AKS, Azure Container Registry) or GCP/AWS with readiness to quickly switch to Azure
- Experience building CI/CD pipelines (Azure DevOps, GitHub Actions, Jenkins) including ML specifics such as model training steps
- Good knowledge of Python (needed for ML tool SDKs) and Bash/Shell
- Practical experience with MLflow, Kubeflow or cloud-native tools for model lifecycle management
- Knowledge of Infrastructure as Code: Terraform, Bicep or Ansible
- Services provided from the territory of Poland
- Hybrid work - minimum 1 day per week from the office
Nice to have
- Azure certifications: DevOps Engineer Expert (AZ-400) or Azure AI Engineer (AI-102)
- Experience deploying LLM models and RAG architectures
- Knowledge of monitoring tools (Prometheus, Grafana, Azure Monitor)
- Understanding of networking in hybrid cloud (VPN, VNet, Private Endpoints)
- Knowledge of vector databases (e.g., in the context of Azure AI Search)
Full description
Wynagrodzenie: 150 - 170 PLN netto + VAT/h
Praca zdalna: 1 raz/tydzień w biurze
Dlaczego warto wybrać tę ofertę?
-
Możliwość budowy nowoczesnej platformy AI od podstaw i realnego wpływu na jej architekturę.
-
Praca z aktualnym stackiem AI/MLOps: Azure ML, Azure AI Foundry, Kubernetes (AKS), MLflow, Docker i Terraform.
-
Udział w projektach związanych z GenAI, LLM oraz architekturami RAG, które są obecnie jednymi z najbardziej poszukiwanych kompetencji na rynku.
-
Możliwość pracy na styku Data Science, AI i Cloud Engineering, rozwijając kompetencje w kilku strategicznych obszarach jednocześnie.
-
Współtworzenie środowiska wykorzystywanego do wdrażania modeli AI na skalę produkcyjną w jednej z największych organizacji branży ubezpieczeniowej.
-
Dostęp do nowoczesnych praktyk MLOps i LLMOps obejmujących automatyzację, monitoring, observability oraz governance modeli.ProjektZakres prac:
- 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 (pipelines) 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, aby zapewnić wysoką dostępność usług AI.
- 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.
Wymagania must have:
- Minimum 3 lata doświadczenia w obszarze DevOps, MLOps lub Inżynierii Oprogramowania, w tym praktyka w pracy z modelami ML na produkcji.