MLOps / Data Engineer (k/m) – z obszarem zainteresowań wokół ML
OBPON Sp. z o.o. Sp. K.
To rola senior MLOps Engineer w zespole realizującym projekty B+R i komercyjne z obszaru AI/ML, skoncentrowane na dużych danych multimodalnych oraz modelach generatywnych i LLM. Osoba na tym stanowisku będzie odpowiedzialna za budowę i utrzymanie hybrydowej platformy ML (on-prem + Azure), w tym infrastruktury kontenerowej (Docker, Kubernetes z GPU), pipeline'ów danych (Kafka, ETL) oraz wdrażanie i optymalizację inferencji modeli. To rola operacyjno-inżynierska: nacisk na MLOps, DevOps i Data Engineering, a nie na research ML.
Brakuje: wielkość zespołu, liczba projektów jednocześnie.
To rola senior MLOps Engineer w zespole realizującym projekty B+R i komercyjne z obszaru AI/ML, skoncentrowane na dużych danych multimodalnych oraz modelach generatywnych i LLM. Osoba na tym stanowisku będzie odpowiedzialna za budowę i utrzymanie hybrydowej platformy ML (on-prem + Azure), w tym infrastruktury kontenerowej (Docker, Kubernetes z GPU), pipeline'ów danych (Kafka, ETL) oraz wdrażanie i optymalizację inferencji modeli. To rola operacyjno-inżynierska: nacisk na MLOps, DevOps i Data Engineering, a nie na research ML.
- ✓Praca w pełni zdalna
- ✓Wpływ na wybór narzędzi i technologii
- ✓Tworzenie kodu 'od zera' (greenfield)
- ✓Ciekawy obszar: LLM, generatywne AI, multimodalne dane
- ✓Nowoczesny stack: MLflow, DVC, vLLM, Prometheus, GitOps
- ✓Widełki płacowe podane w ogłoszeniu
- !Brak informacji o wielkości zespołu – ogłoszenie wymienia role, ale nie liczbę osób
- !„Rozwijasz kilka projektów jednocześnie” – może oznaczać context switching
- !Brak opisu procesu rekrutacyjnego
- •Konfiguracja i optymalizacja hybrydowych środowisk obliczeniowych (Docker, Kubernetes z akceleratorami GPU) na on-prem i Azure
- •Budowa i optymalizacja pipeline'ów ETL/ELT do przetwarzania multimodalnych danych, w tym streamingu z Kafka/RabbitMQ
- •Wdrażanie narzędzi MLOps – MLflow, DVC, budowa potoków CI/CD (GitHub Actions)
- •Deploy modeli ML na środowiska produkcyjne/testowe oraz optymalizacja serwerów inferencyjnych (vLLM, TGI)
- •Monitorowanie wydajności i latencji inferencji z użyciem Prometheus i Grafana
- •Praca z wektorowymi bazami danych (np. Qdrant, Pinecone) do przechowywania embeddingów
- •Code review, implementacja testów jednostkowych, integracyjnych i wydajnościowych
- •Współpraca z architektem i backend developerami w ramach Agile/Scrum
Oferta dla doświadczonych specjalistów (Senior).
Inżynier z co najmniej 5-letnim doświadczeniem w rolach MLOps/DevOps/Data Engineer, który posiada podstawową znajomość Azure, Docker, Kubernetes i Pythona, oraz miał styczność z MLflow i Kafka. Osoba ta powinna być gotowa do nauki optymalizacji inferencji i zaawansowanych narzędzi MLOps.
Nie dla juniorów (poniżej 5 lat doświadczenia) ani osób bez praktyki w MLOps/DevOps. Rola nie jest dla kogoś, kto chce unikać pracy z infrastrukturą, konteneryzacją i optymalizacją wydajności.
- ?Ile osób liczy zespół, w którym będę pracować?
- ?Jak wygląda podział projektów – ile średnio projektów jednocześnie?
- ?Czy istnieje dyżur on-call? Jeśli tak, jak często?
- ?Jakie konkretnie usługi Azure są używane (np. Azure ML, AKS, Cosmos DB)?
- ?Jaki jest stosunek on-prem do chmury w infrastrukturze?
- ?Czy oferujecie budżet szkoleniowy lub konferencje?
- ?Jak wygląda proces rekrutacyjny (etapy, zadanie domowe, live coding)?
- −Wielkość zespołu
- −Liczba projektów jednocześnie
- −Czy występuje dyżur on-call
- −Proces rekrutacyjny
- −Budżet szkoleniowy
Zespół pracuje w Agile/Scrum, z naciskiem na Clean Code, code review, CI/CD i automatyzację. W skład zespołu wchodzą backend developer, tech lead, architekt, DevOps i big data developer. Pracownicy mają wpływ na wybór narzędzi i technologii, a także na produkt.
Poniżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię MLOps. Pełne statystyki zarobków →