MLOps Engineer (AWS, PySpark, SageMaker)
Lumicode Sp. z o.o. (Pentacomp Group)
Rola MLOps Engineera skupia się na budowaniu i optymalizacji platform danych oraz infrastruktury uczenia maszynowego. Kandydat będzie odpowiedzialny za przenoszenie modeli z fazy prototypowej do produkcji, zapewniając skalowalność, niezawodność i monitorowanie. Jest to połączenie Data Engineeringu, Cloud Engineeringu i MLOps, z naciskiem na pracę z AWS, PySpark i SageMaker.
Brakuje: konkretne przykłady projektów ai/ml, nad którymi pracuje zespół., szczegółowy opis narzędzi do monitorowania i obserwacji..
Rola MLOps Engineera skupia się na budowaniu i optymalizacji platform danych oraz infrastruktury uczenia maszynowego. Kandydat będzie odpowiedzialny za przenoszenie modeli z fazy prototypowej do produkcji, zapewniając skalowalność, niezawodność i monitorowanie. Jest to połączenie Data Engineeringu, Cloud Engineeringu i MLOps, z naciskiem na pracę z AWS, PySpark i SageMaker.
- ✓Możliwość wpływu na architekturę, narzędzia i najlepsze praktyki inżynierskie.
- ✓Długoterminowa współpraca B2B.
- ✓Praca zdalna.
- ✓Możliwość pracy nad projektami AI i Machine Learning na dużą skalę.
- !Opis projektu jest dość ogólny i może obejmować różne rodzaje inicjatyw AI/ML.
- •Projektowanie, budowanie i utrzymanie kompleksowych platform i przepływów pracy MLOps.
- •Rozwój zautomatyzowanego trenowania modeli, wdrażania i wersjonowania.
- •Budowanie i optymalizacja potoków przetwarzania i pobierania danych na dużą skalę przy użyciu Spark i PySpark.
- •Wdrażanie i zarządzanie obciążeniami ML na AWS, w tym rozwiązań opartych na SageMaker.
- •Implementacja i utrzymanie potoków CI/CD i Continuous Training (CT).
- •Monitorowanie wydajności modeli, jakości danych, niezawodności systemu i dryfu modeli.
- •Ścisła współpraca z Data Scientistami w celu produkcyjizacji modeli ML.
- •Implementacja infrastruktury jako kodu i wsparcie skalowalnych środowisk chmurowych.
Oferta dla doświadczonych specjalistów (Senior).
Kandydat z solidnym doświadczeniem w Data Engineeringu lub MLOps, dobrymi umiejętnościami w Pythonie i PySpark, praktycznym doświadczeniem z AWS i Apache Spark, oraz podstawową wiedzą o CI/CD i produkcyjizacji modeli ML.
Nie dla osób bez doświadczenia w Data Engineeringu, MLOps lub Machine Learning Engineering, bez znajomości Pythona, PySpark, AWS lub Apache Spark, lub bez umiejętności produkcyjizacji modeli ML.
- ?Jakie są główne wyzwania związane z obecną infrastrukturą MLOps?
- ?Jak wygląda proces wdrażania modelu do produkcji w praktyce?
- ?Jakie są typowe rozmiary zbiorów danych, z którymi pracuje zespół?
- ?Czy zespół korzysta z konkretnych narzędzi do monitorowania modeli (np. Datadog, Grafana)?
- ?Jakie są plany rozwoju platformy MLOps w najbliższym czasie?
- −Konkretne przykłady projektów AI/ML, nad którymi pracuje zespół.
- −Szczegółowy opis narzędzi do monitorowania i obserwacji.
- −Informacje o wielkości zespołu Data Science i MLOps.
Praca w międzynarodowym środowisku, z interdyscyplinarnymi zespołami, gdzie jest możliwość wpływu na architekturę i najlepsze praktyki.
Poniżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię AWS. Pełne statystyki zarobków →