AI Infrastructure Engineer / MLOps (k/m)
SoftBlue (INTechHouse)
Rola polega na projektowaniu i wdrażaniu infrastruktury on-premise dla modeli AI (w tym LLM) na fizycznych serwerach u klientów. Będziesz instalować i konfigurować Linux, sterowniki GPU (NVIDIA/CUDA), kontenery (Docker, Kubernetes) oraz narzędzia MLOps (MLflow, DVC). Uruchomisz i zoptymalizujesz środowiska do inferencji i fine-tuningu modeli, budujesz pipeline'y danych i współpracujesz z zespołem Data Science. To stanowisko łączy DevOps z AI — praca blisko sprzętu, z dużą autonomią i nowoczesnymi technologiami.
Brakuje: nie podano liczby projektów ani wielkości zespołu, brak informacji o dyżurach on-call.
Rola polega na projektowaniu i wdrażaniu infrastruktury on-premise dla modeli AI (w tym LLM) na fizycznych serwerach u klientów. Będziesz instalować i konfigurować Linux, sterowniki GPU (NVIDIA/CUDA), kontenery (Docker, Kubernetes) oraz narzędzia MLOps (MLflow, DVC). Uruchomisz i zoptymalizujesz środowiska do inferencji i fine-tuningu modeli, budujesz pipeline'y danych i współpracujesz z zespołem Data Science. To stanowisko łączy DevOps z AI — praca blisko sprzętu, z dużą autonomią i nowoczesnymi technologiami.
- ✓Pionierskie projekty z prywatnymi LLM-ami na fizycznym sprzęcie
- ✓Duża autonomia i realny wpływ na architekturę
- ✓Dostęp do potężnych maszyn obliczeniowych (GPU)
- ✓Elastyczne godziny pracy i pełna praca zdalna
- ✓Forma współpracy dopasowana do preferencji (UoP lub B2B)
- !Brak informacji o wielkości zespołu i liczbie projektów
- !Nie sprecyzowano, czy są dyżury on-call
- !Brak opisu procesu rekrutacyjnego
- •Instalacja i konfiguracja systemu Linux (OS) na serwerach fizycznych klientów
- •Instalacja i konfiguracja sterowników NVIDIA, CUDA, cuDNN na serwerach GPU
- •Konfiguracja środowisk kontenerowych (Docker, Docker Compose) i orkiestracja (Kubernetes)
- •Wdrażanie i zarządzanie narzędziami MLOps (MLflow, DVC, Kubeflow) dla cyklu życia modeli
- •Uruchamianie i optymalizacja środowisk inferencji LLM (vLLM, Ollama, Hugging Face TGI)
- •Budowa pipeline'ów danych do zasilania modeli oraz integracja z bazami danych klientów
- •Testy wydajnościowe, stabilizacja środowiska produkcyjnego i walidacja jakości modeli
- •Tworzenie dokumentacji technicznej architektury rozwiązań AI/LLM
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Inżynier DevOps z minimum rocznym doświadczeniem w pracy z Linux i Docker, gotowy do nauki GPU/Mlops i pracy on-premise. Osoba z podstawową znajomością CUDA i MLOps może wejść w rolę pod warunkiem szybkiego rozwoju.
Nie dla osób, które preferują pracę wyłącznie w chmurze i unikają fizycznego sprzętu. Rola wymaga komfortu z bare-metal i konfiguracją niskopoziomową, więc nie jest dla juniorów bez doświadczenia w Linux i sieciach.
- ?Ile osób liczy zespół MLOps / Data Science?
- ?Jak wygląda typowy projekt on-premise — ilu klientów, wielkość infrastruktury?
- ?Czy przewidziane są dyżury on-call? Jeśli tak, z jaką częstotliwością?
- ?Jaki jest budżet szkoleniowy na rozwój w obszarze AI/MLOps?
- ?Czy istnieje możliwość pracy nad nowymi projektami (greenfield) czy głównie utrzymanie?
- ?Jak mierzona jest wydajność pracy i sukces w tej roli?
- ?Czy są konkretne narzędzia do automatyzacji już w użyciu (Ansible, Terraform)?
- −Nie podano liczby projektów ani wielkości zespołu
- −Brak informacji o dyżurach on-call
- −Brak opisu procesu rekrutacyjnego (etapy, czas trwania)
- −Nie wiadomo, czy praca odbywa się rotacyjnie u różnych klientów
Praca w małym zespole (51-100 osób) z dużą autonomią i elastycznością, projekty pionierskie w obszarze AI on-premise, współpraca z Data Science.