Machine Learning Engineer - Monopoly World
Reality Games
Rola ML Engineera w zespole analitycznym pracującym nad grą Monopoly World. Będziesz projektować i wdrażać modele ML do ulepszania mechanik gry i personalizacji doświadczeń graczy. Codzienna praca obejmuje budowę pipeline'ów danych, optymalizację modeli (TensorFlow/PyTorch), współpracę z data scientistami i designerami oraz monitorowanie wydajności modeli w produkcji. Stack obejmuje chmurę Google Cloud i Big Data (Spark).
Brakuje: nie podano wielkości zespołu ml, brak informacji o procesie deploymentu modeli i mlops.
Rola ML Engineera w zespole analitycznym pracującym nad grą Monopoly World. Będziesz projektować i wdrażać modele ML do ulepszania mechanik gry i personalizacji doświadczeń graczy. Codzienna praca obejmuje budowę pipeline'ów danych, optymalizację modeli (TensorFlow/PyTorch), współpracę z data scientistami i designerami oraz monitorowanie wydajności modeli w produkcji. Stack obejmuje chmurę Google Cloud i Big Data (Spark).
- ✓Budżet szkoleniowy (Training budget)
- ✓Płaska struktura i małe zespoły
- ✓Elastyczne godziny pracy
- ✓Program opcji na akcje (stock options)
- ✓Międzynarodowe projekty
- !Brak informacji o procesie rekrutacyjnym (ilość etapów, zadanie domowe)
- !Nie określono wielkości zespołu ani liczby modeli w produkcji
- !Wzmianka o 'stock option plan' - brak szczegółów dotyczących wartości i vestingu
- •Projektowanie i trenowanie modeli ML w TensorFlow/PyTorch do predykcji zachowań graczy i rekomendacji
- •Implementacja pipeline'ów danych w Apache Spark do przetwarzania dużych wolumenów danych z gry
- •Wdrażanie modeli na Google Cloud AI Platform i monitorowanie ich działania
- •Fine-tuning i optymalizacja modeli pod kątem wydajności w środowisku produkcyjnym
- •Analiza logów gry i metryk w celu identyfikacji obszarów do poprawy przez ML
- •Współpraca z data scientist i game designerami przy definiowaniu problemów biznesowych
- •Badanie najnowszych metod ML i AI oraz ich potencjalne zastosowania w grze
- •Zapewnienie zgodności z politykami bezpieczeństwa i prywatności danych graczy
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Młodszy specjalista ML z około 2 latami praktyki, potrafiący samodzielnie postawić prosty model w TensorFlow i uruchomić pipeline Spark w chmurze.
Nie dla osób z mniej niż 1,5-2 latami doświadczenia w ML, bez praktycznej znajomości Sparka lub cloud ML, ani dla tych, którzy oczekują pracy zdalnej.
- ?Jak duży jest zespół ML/analityczny i jakie są role w zespole?
- ?Ile modeli ML jest obecnie w produkcji i jak wygląda proces wdrożenia?
- ?Jakie narzędzia MLOps są używane (monitoring, CI/CD dla modeli)?
- ?Jaka jest skala danych (wolumen, częstotliwość)?
- ?Czy są dyżury on-call?
- ?Jakie są szczegóły stock option planu (ile, vesting, wycena)?
- ?Jak wygląda ścieżka kariery i częstotliwość performance review?
- −Nie podano wielkości zespołu ML
- −Brak informacji o procesie deploymentu modeli i MLOps
- −Nie wiadomo, czy istnieją już modele w produkcji czy wszystko greenfield
- −Brak szczegółów dotyczących budżetu szkoleniowego
- −Nie określono, czy wymagane są dyżury on-call
Nastawiony na wsparcie liderów, dzielenie się wiedzą, elastyczne godziny i integracje. Małe zespoły i płaska struktura sugerują bliską współpracę.
Powyżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię Machine learning. Pełne statystyki zarobków →