MLOps / AI Engineer (F/M)
B2Bnetwork
Rola łączy MLOps i AI Engineering. Będziesz odpowiedzialny za projektowanie, wdrażanie i utrzymanie infrastruktury ML/AI w środowisku produkcyjnym, automatyzację pipeline'ów treningowych i wdrożeniowych, monitorowanie modeli oraz implementację rozwiązań Generative AI i LLM. Pracujesz w sektorze bankowym/finansowym, współpracując z zespołami Data Science i DevOps.
Brakuje: nie podano wielkości zespołu, brak informacji o procesie rekrutacyjnym.
Rola łączy MLOps i AI Engineering. Będziesz odpowiedzialny za projektowanie, wdrażanie i utrzymanie infrastruktury ML/AI w środowisku produkcyjnym, automatyzację pipeline'ów treningowych i wdrożeniowych, monitorowanie modeli oraz implementację rozwiązań Generative AI i LLM. Pracujesz w sektorze bankowym/finansowym, współpracując z zespołami Data Science i DevOps.
- ✓Praca w pełni zdalna z elastycznymi godzinami
- ✓Nowoczesny stack: GenAI, LLM, chmura, MLOps
- ✓Możliwość długoterminowej współpracy przy stabilnych projektach
- ✓Realny wpływ na rozwój produktów AI
- !Ogłoszenie od agencji/outsourcingu – możliwa praca u różnych klientów
- !Szeroki zakres nice-to-have może sugerować wygórowane oczekiwania za stawkę mid-level
- !Brak informacji o procesie rekrutacyjnym i wielkości zespołu
- •Projektowanie i rozwój środowisk MLOps do wdrażania modeli AI/ML
- •Automatyzacja procesów trenowania, testowania i deploy'u modeli
- •Budowa i utrzymanie pipeline'ów ML oraz data pipelines
- •Monitorowanie jakości, wydajności i stabilności modeli produkcyjnych
- •Implementacja rozwiązań opartych o Generative AI i LLM
- •Zarządzanie infrastrukturą chmurową dla rozwiązań AI
- •Tworzenie dokumentacji technicznej i best practices AI Engineering
- •Optymalizacja kosztów i wydajności środowisk AI/ML
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Osoba z co najmniej 3-letnim doświadczeniem w podobnej roli, solidnie znająca Pythona, Docker i podstawy chmurowe, gotowa rozwijać się w kierunku GenAI i MLOps.
Juniorzy bez doświadczenia w produkcyjnym ML ani znajomości chmury i konteneryzacji. Rola nie jest też dla czystych Data Scientistów bez praktyki w DevOps/MLOps.
- ?Ile osób liczy zespół MLOps/Data Science?
- ?Czy projekty są dla jednego klienta, czy rotacyjnie?
- ?Jakie narzędzia do monitoringu modeli są używane?
- ?Czy są dyżury on-call? Jak często?
- ?Jaki jest budżet na szkolenia lub konferencje?
- ?Czy istnieje możliwość zdobycia certyfikatów chmurowych?
- ?Jak wygląda proces wdrażania modeli – czy są standardy MLOps?
- −Nie podano wielkości zespołu
- −Brak informacji o procesie rekrutacyjnym
- −Nie wiadomo, czy praca jest na jednym projekcie długoterminowym czy rotacyjnie
- −Brak informacji o dyżurach on-call
- −Nie sprecyzowano konkretnych narzędzi chmurowych (np. AWS SageMaker, Azure ML)
Na poziomie rynkowym
Dane z aktywnych ofert zawierających technologię Machine Learning. Pełne statystyki zarobków →