Machine Learning Engineer
AXA Avanssur SA Oddział II w Polsce
Rola łączy MLOps i platform engineering. Główny nacisk na budowę CI/CD dla modeli aktuarialnych (MLFlow, Kedro/Airflow) oraz utrzymanie platformy GenAI (Langchain) do przetwarzania dokumentów. Codzienna praca to automatyzacja pipeline'ów, monitorowanie, zarządzanie chmurą (Azure) i tworzenie API (FastAPI). Wymagana jest silna znajomość MLOps i Data Science, ale bez typowego budowania modeli – bardziej infrastruktura i automatyzacja.
Brakuje: nie podano konkretnych narzędzi monitorowania, nie opisano procesu rekrutacyjnego.
Rola łączy MLOps i platform engineering. Główny nacisk na budowę CI/CD dla modeli aktuarialnych (MLFlow, Kedro/Airflow) oraz utrzymanie platformy GenAI (Langchain) do przetwarzania dokumentów. Codzienna praca to automatyzacja pipeline'ów, monitorowanie, zarządzanie chmurą (Azure) i tworzenie API (FastAPI). Wymagana jest silna znajomość MLOps i Data Science, ale bez typowego budowania modeli – bardziej infrastruktura i automatyzacja.
- ✓W pełni zdalnie (remote)
- ✓Wysokie widełki B2B (28-36k PLN)
- ✓Budżet szkoleniowy, konferencje, wsparcie lidera technicznego
- ✓Możliwość wpływu na rozwiązania technologiczne i praca 'od zera' (greenfield?)
- ✓Różnorodność projektów – MLOps + GenAI
- −Brak informacji o procesie rekrutacyjnym
- −Nie podano, jak dzielony jest czas między projekty MLOps a GenAI
- −Mały zespół (3 osoby) może oznaczać ograniczone wsparcie i duży zakres obowiązków
- −Wymagana znajomość bardzo wielu frameworków (Kedro, Optuna, Great Expectations) – ryzyko shallow expectations
- !Nie opisano narzędzi monitoringu (jakie konkretnie)
- !Nie wiadomo, czy są dyżury on-call
- !Opis 'in house' wewnątrz AXA może oznaczać mniej startupowej dynamiki
- •Tworzenie szablonów CI/CD dla modeli ML (GitHub Actions, MLFlow)
- •Audytowanie i optymalizacja pipeline'ów treningowych aktuarialnych modeli cenowych
- •Wdrażanie strategii monitorowania wydajności i niezawodności systemów
- •Zarządzanie platformą AI opartą na GenAI (Langchain) – zapewnienie wysokiej dostępności i bezpieczeństwa
- •Integracja i zarządzanie zasobami chmurowymi (Azure) pod kątem kosztów i zgodności
- •Współpraca z aktuariuszami i zespołem ML do debugowania i ulepszania pipeline'ów
- •Pisanie kodu w Pythonie (pandas, sklearn, shap) do obsługi danych i modeli
Oferta dla doświadczonych specjalistów (Senior).
Mid-level MLOps Engineer z 3-4 latami doświadczenia w podobnym stacku: pandas, MLFlow, GitHub Actions, FastAPI, Docker. Osoba, która potrafi samodzielnie tworzyć pipeline'y i utrzymywać platformę, ale wymaga wsparcia przy bardziej złożonych zadaniach architektonicznych.
Osoby z mniej niż 3 latami doświadczenia w MLOps/DevOps, które nie mają praktyki z CI/CD i chmurą. Również nie dla Data Scientistów, którzy chcą głównie trenować modele – to rola bardziej infrastrukturalna.
- ?Ile osób liczy zespół ML Engineering (oprócz PO, PM i admina)?
- ?Jak wygląda podział obowiązków między MLOps dla aktuariuszy a platformą GenAI?
- ?Czy są dyżury on-call? Jak często?
- ?Jakie narzędzia monitorowania są używane (np. Prometheus, Grafana)?
- ?Jaki jest obecny stan platformy AI? Czy to greenfield, czy utrzymanie istniejącego systemu?
- ?Jakie są oczekiwania co do znajomości Kedro/Optuna – czy to must-have, czy nice-to-have?
- −Nie podano konkretnych narzędzi monitorowania
- −Nie opisano procesu rekrutacyjnego
- −Brak informacji o on-call
- −Nie wiadomo, czy platforma AI jest już w produkcji
Mały, międzynarodowy zespół (3 osoby) pracujący w Scrumie, z naciskiem na jakość kodu (Clean Code, code review, testy). Kultura 'in house' z autonomią techniczną i wsparciem lidera.
Powyżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię Azure. Pełne statystyki zarobków →