Google Cloud AI Platform Engineer
IN4GE
Rola skupia się na budowie i utrzymaniu platformy infrastrukturalnej dla rozwiązań AI/GenAI. Obejmuje produkcyjne wdrażanie modeli (w tym LLM), automatyzację MLOps/LLMOps, zarządzanie bazami wektorowymi oraz konteneryzację i orkiestrację na Kubernetes. To typowa rola MLOps/Platform Engineer, a nie Data Scientist – kluczowa jest znajomość Docker/K8s, Terraform, Python i narzędzi AI/ML (Vertex AI, Kubeflow, MLflow) w kontekście produkcyjnym.
Brakuje: nie podano wielkości zespołu (po stronie klienta), brak informacji o on-call i oczekiwanej dostępności.
Rola skupia się na budowie i utrzymaniu platformy infrastrukturalnej dla rozwiązań AI/GenAI. Obejmuje produkcyjne wdrażanie modeli (w tym LLM), automatyzację MLOps/LLMOps, zarządzanie bazami wektorowymi oraz konteneryzację i orkiestrację na Kubernetes. To typowa rola MLOps/Platform Engineer, a nie Data Scientist – kluczowa jest znajomość Docker/K8s, Terraform, Python i narzędzi AI/ML (Vertex AI, Kubeflow, MLflow) w kontekście produkcyjnym.
- ✓W pełni zdalny projekt z elastycznymi godzinami
- ✓Atrakcyjna stawka B2B (200-260 PLN/h)
- ✓Praca z najnowszymi technologiami GenAI (LLM, bazy wektorowe)
- ✓Długofalowa współpraca i transparentne warunki
- ✓Wsparcie rozwoju: mentoring, czas na własne pomysły
- !Rekrutacja przez agencję (IN4GE) – praca u klienta, co może wpływać na stabilność i kulturę
- !Część technologii z 'nice to have' występuje też w wymaganiach – niejasność co jest faktycznie wymagane
- !Brak informacji o wielkości zespołu i istniejącej infrastrukturze
- •Projektowanie i rozwijanie skalowalnych platform AI/GenAI w chmurze GCP
- •Produkcyjne wdrażanie i serwowanie modeli ML/LLM przy użyciu Triton, KServe
- •Automatyzacja pipeline'ów MLOps/LLMOps z Vertex AI, Kubeflow, MLflow
- •Optymalizacja i zarządzanie bazami wektorowymi (Vertex AI Vector Search, Pinecone)
- •Konteneryzacja mikroserwisów AI w Docker i orkiestracja na Kubernetes
- •Zarządzanie infrastrukturą jako kod (IaC) z Terraform
- •Pisanie skryptów automatyzujących w Python
- •Monitorowanie wydajności i rozwiązywanie problemów w środowisku produkcyjnym
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Platform Engineer (mid-level) z solidnym doświadczeniem w co najmniej jednej platformie MLOps, Docker/K8s, Python i Terraform, gotowy do pracy nad produkcyjnymi wdrożeniami AI.
Osoby z mniej niż 3-4 latami doświadczenia w inżynierii platform/DevOps, szczególnie bez znajomości Kubernetes i Terraform. Nie dla juniorów ani data scientistów unikających infrastruktury.
- ?Czy możesz ujawnić klienta (branża, skala projektu)?
- ?Ile osób liczy zespół po stronie klienta?
- ?Jakie są godziny dyżurów on-call? Czy są płatne?
- ?Czy istnieje już platforma AI, czy budujemy od zera?
- ?Jak często odbywają się spotkania zespołu (daily, planning)?
- ?Czy są przewidziane budżety na szkolenia lub konferencje?
- −Nie podano wielkości zespołu (po stronie klienta)
- −Brak informacji o on-call i oczekiwanej dostępności
- −Nie wiadomo, czy projekt jest greenfield czy rozwijanie istniejącej platformy
3 etapy: wstępna weryfikacja telefoniczna, rozmowa rekrutacyjna, rozmowa techniczna.
Powyżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię Docker. Pełne statystyki zarobków →