MLOps Engineer

Kogo szukamy:

Szukamy osoby, która lubi porządkować sprawy, zwraca uwagę na szczegóły i dobrze odnajduje się w codziennych wyzwaniach. Ważne jest dla nas, żebyś potrafił/a w prosty sposób wyjaśniać techniczne zagadnienia i szukać rozwiązań, które ułatwiają pracę zespołom data science i machine learning.

Rola i zespół:

Nasz zespół tworzy i utrzymuje infrastrukturę oraz procesy, dzięki którym modele machine learning i rozwiązania oparte na AI mogą sprawnie działać na produkcji. Blisko współpracujemy z zespołami, pomagając im przejść od eksperymentów do gotowych rozwiązań, które działają stabilnie, bezpiecznie i nie generują niepotrzebnych kosztów.

Co będziesz robić:

• Dbać o to, żeby infrastruktura wykorzystywana do trenowania i uruchamiania modeli działała sprawnie, była dostępna i dobrze wykorzystywała zasoby. Będziesz pracować zarówno z GPU, chmurą, jak i infrastrukturą on-prem, dopasowując je do potrzeb zespołów.

• Tworzyć i rozwijać procesy CI/CD dla modeli ML, obejmujące trening, walidację, wdrażanie i wycofywanie modeli.

• Zarządzać rejestrem modeli, śledzeniem eksperymentów oraz wersjonowaniem artefaktów i cech.

• Wdrażać modele na produkcję i tworzyć narzędzia, szablony oraz rozwiązania self-service, które pozwolą zespołom szybciej i samodzielnie przechodzić od pomysłu do wdrożenia.

• Monitorować działanie modeli na produkcji, w tym zmiany jakości, drift i wykorzystanie zasobów. Wprowadzać rozwiązania, które pomagają szybko reagować na problemy, takie jak alerty czy automatyczny rollback.

• Rozwijać standardy i dokumentację MLOps, a także wspierać infrastrukturę dla rozwiązań GenAI i modeli LLM. Obejmuje to . bramki do modeli, routing zapytań, kontrolę kosztów, systemy agentowe.

Czego od Ciebie oczekujemy?

• Doświadczenia: praktycznej znajomości procesów CI/CD dla modeli ML, wdrażania i utrzymywania modeli na produkcji.

• Technologii i narzędzi: znajomości Pythona, SQL, Dockera, Kubernetesa/EKS oraz usług AWS wykorzystywanych w ML, takich jak S3 i zasoby obliczeniowe. Przydadzą Ci się również narzędzia do śledzenia eksperymentów i zarządzania modelami, np. MLflow, orkiestracji pipeline’ów ML, np. Dagster, Airflow lub Kubeflow, oraz obsługi modeli LLM, np. LiteLLM. Ważna jest także znajomość Snowflake, szczególnie w kontekście wydajnego i ekonomicznego pobierania danych i cech, a także Gita, Terraforma i narzędzi do monitorowania usług oraz jakości modeli.

• Podejścia do pracy: umiejętności tłumaczenia technicznych zagadnień w prosty sposób, reagowania na nieprzewidziane problemy i dokładności w konfiguracji środowisk. Zależy nam również na osobie, która jest otwarta na potrzeby innych zespołów i potrafi szukać rozwiązań ułatwiających im codzienną pracę.