AI/GenAI Platform Engineer
IN4GE
Rola polega na budowaniu i utrzymaniu skalowalnych platform infrastrukturalnych dedykowanych AI/GenAI dla klienta zewnętrznego. Nie zajmujesz się tworzeniem modeli AI, ale produkcyjnym wdrażaniem, serwowaniem i automatyzacją cyklu życia modeli ML/LLM (MLOps/LLMOps). Będziesz pracować z Kubernetes, Docker, Terraform oraz narzędziami jak Vertex AI, Kubeflow, MLflow, LangChain. Praca w pełni zdalna, z elastycznymi godzinami.
Brakuje: nie podano nazwy klienta, brak informacji o wielkości zespołu.
Rola polega na budowaniu i utrzymaniu skalowalnych platform infrastrukturalnych dedykowanych AI/GenAI dla klienta zewnętrznego. Nie zajmujesz się tworzeniem modeli AI, ale produkcyjnym wdrażaniem, serwowaniem i automatyzacją cyklu życia modeli ML/LLM (MLOps/LLMOps). Będziesz pracować z Kubernetes, Docker, Terraform oraz narzędziami jak Vertex AI, Kubeflow, MLflow, LangChain. Praca w pełni zdalna, z elastycznymi godzinami.
- ✓W pełni zdalny projekt z elastycznymi godzinami – wysoka autonomia
- ✓Praca z najnowszym stackiem GenAI (Vertex AI, LangChain, Triton, KServe) – duża wartość rozwojowa
- ✓Mentoring i wsparcie techniczne od liderów, wymiana wiedzy w zespole
- ✓Transparentny proces rekrutacyjny (3 etapy) opisany wprost
- −Ogłoszenie pochodzi od agencji rekrutacyjnej (IN4GE) – klient nie jest ujawniony, co utrudnia ocenę kultury organizacyjnej i stabilności projektu
- −Brak informacji o dyżurach on-call – przy platformie produkcyjnej to może być istotne
- !Proces rekrutacyjny opisany ogólnie, brak szczegółów technicznych (np. live coding, zadanie domowe)
- !Klient nieznany – nie wiadomo, czy jest to startup czy duża firma
- •Projektowanie i budowanie skalowalnych platform dla AI/GenAI na Kubernetes
- •Produkcyjne wdrażanie i serwowanie modeli ML/LLM za pomocą Triton Inference Server lub KServe
- •Automatyzacja pipeline'ów MLOps/LLMOps (Vertex AI, Kubeflow, MLflow)
- •Architektura i optymalizacja baz wektorowych (Vector Search, Pinecone) do wyszukiwania semantycznego
- •Konteneryzacja mikroserwisów AI i zarządzanie ich orkiestracją
- •Zarządzanie infrastrukturą jako kod (IaC) z Terraform dla komponentów chmurowych AI
- •Integracja rozwiązań AI z systemami biznesowymi
- •Optymalizacja wydajności i opóźnień systemów AI
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Mid-level DevOps/MLOps z minimum 3 latami pracy z Kubernetes, Python i Terraform, mający styczność z wdrażaniem modeli ML i MLOps – ogłoszenie wymaga jednak dość zaawansowanych kompetencji, więc realnie potrzebne będzie więcej niż 3 lata.
Nie dla juniorów ani mid-level programistów bez silnego doświadczenia w inżynierii infrastruktury AI/ML. Osoby, które wolą stricte kodować i nie interesuje ich praca z Kubernetes i automatyzacją, raczej nie będą usatysfakcjonowane.
- ?Kim jest klient (nazwa firmy, branża)?
- ?Ile osób liczy zespół projektowy i jak jest skomponowany?
- ?Czy projekt jest greenfield, czy rozwijamy istniejącą platformę?
- ?Jak wygląda harmonogram – czy są sprinty, retrospektywy?
- ?Czy przewidziane są dyżury on-call? Jeśli tak, jaka jest rotacja i czy płatne?
- ?Jaki jest przewidywany czas zaangażowania w projekt?
- ?Czy są dostępne budżety na szkolenia lub konferencje?
- ?Jakie narzędzia do komunikacji i współpracy będą używane (Slack, Teams, Jira)?
- −Nie podano nazwy klienta
- −Brak informacji o wielkości zespołu
- −Nie wiadomo, czy projekt jest nowy, czy legacy
- −Brak wzmianki o dyżurach on-call
- −Nie określono budżetu na rozwój i szkolenia
Ogłoszenie wspomina o mentoringu, wsparciu merytorycznym od liderów technologicznych i wymianie wiedzy technicznej – sugeruje to kulturę nastawioną na rozwój i współpracę.
3 etapy: wstępna weryfikacja telefoniczna, rozmowa rekrutacyjna, rozmowa techniczna. Brak szczegółów dotyczących formy technicznego etapu (live coding, zadanie domowe).
Powyżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię Docker. Pełne statystyki zarobków →