Machine Learning Engineer
VirtusLab
Rola koncentruje się na budowaniu i utrzymywaniu produkcyjnych pipeline'ów ML w chmurze Azure z wykorzystaniem Terraform, Docker, Kubernetes oraz PySpark. Praca polega na wdrażaniu modeli ML do produkcji, zarządzaniu infrastrukturą i CI/CD, a nie na rozwijaniu nowych algorytmów. Zespół współpracuje z zespołem data science dużego brytyjskiego detalicisty w ramach projektu optymalizacji cen.
Brakuje: brak informacji o dyżurach on-call i wsparciu produkcyjnym, nie podano szczegółów procesu rekrutacyjnego (liczba etapów, zadanie domowe?).
To rola MLOps Engineer, skupiająca się na deploymentach, infrastrukturze i CI/CD dla modeli ML, a nie na tworzeniu nowych modeli.
Rola koncentruje się na budowaniu i utrzymywaniu produkcyjnych pipeline'ów ML w chmurze Azure z wykorzystaniem Terraform, Docker, Kubernetes oraz PySpark. Praca polega na wdrażaniu modeli ML do produkcji, zarządzaniu infrastrukturą i CI/CD, a nie na rozwijaniu nowych algorytmów. Zespół współpracuje z zespołem data science dużego brytyjskiego detalicisty w ramach projektu optymalizacji cen.
- ✓Kultura inżynieryjna z naciskiem na własność i transparentność
- !Niejasność w wymaganiach: Airflow i Spark są raz 'nice to have', a raz 'expected'
- !Szeroki zakres technologii (PySpark, K8s, Azure, Docker, Airflow, Terraform) - może sugerować chaotyczny stack
- !Opis 'Seems like lots of expectations, huh? Don’t worry!' może wskazywać na nieprecyzyjne oczekiwania
- •Projektowanie i implementacja end-to-end pipeline'ów ML od przygotowania danych po monitoring w produkcji
- •Budowanie pipeline'ów PySpark do przetwarzania dużych zbiorów danych i tworzenia cech
- •Provisionowanie zasobów chmurowych w AzureML z użyciem Terraform (IaC)
- •Pisanie i utrzymanie kodu Python (pySpark, Airflow, Azure SDK) w środowisku chmurowym i on-prem
- •Utrzymywanie CI/CD z GitHub Actions i konteneryzacji Docker
- •Selekcja wzorców architektonicznych do rozwiązywania problemów biznesowych
- •Współpraca z zespołami product management i data science klienta
- •Mentoring i dzielenie się wiedzą w zespole
Oferta dla doświadczonych specjalistów (Senior).
Mid-level inżynier z solidnym Pythonem i Azure, znający podstawy K8s i Spark, gotowy do nauki głębszych zagadnień MLOps. Akceptuje hybrydową formę pracy.
Osoby szukające czysto zdalnej pracy bez wizyt w biurze, juniorzy bez doświadczenia w chmurze i konteneryzacji, data scientistowie skoncentrowani wyłącznie na modelach.
- ?Jak wygląda dyżur on-call i wsparcie produkcyjne? Czy jest rotacja?
- ?Ile osób liczy zespół inżynieryjny i jak często współpracujecie z data scientistami klienta?
- ?Jaki jest obecny poziom dojrzałości MLOps w projekcie? Czy są już pipeline'y w produkcji?
- ?Czy istnieje dedykowane środowisko testowe dla modeli? Jak wygląda monitoring modeli?
- ?Jak często odbywają się spotkania z klientem (UK retailer)? Czy zespół ma bezpośredni kontakt?
- ?Jaki jest stosunek pracy nad nowymi funkcjonalnościami do utrzymania istniejących systemów?
- ?Czy istnieje możliwość pracy zdalnej z innych miast niż Kraków przez resztę dni?
- −Brak informacji o dyżurach on-call i wsparciu produkcyjnym
- −Nie podano szczegółów procesu rekrutacyjnego (liczba etapów, zadanie domowe?)
- −Brak opisu strategii monitorowania modeli w produkcji
Kultura oparta na silnym inżynieringu, poczuciu własności i transparentności, z naciskiem na budowanie społeczności technicznej i mentoring.