MLOps Engineer
XM
Rola łączy MLOps i DevOps – odpowiadasz za wdrożenie i utrzymanie pipeline'ów ML na AWS, od eksperymentów po produkcję. Współpracujesz z Data Science i zespołem platformowym, zarządzasz Kubernetes (EKS), CI/CD, monitorowaniem i bezpieczeństwem. To stanowisko operacyjne, nie badawcze – nie budujesz modeli, ale dbasz o ich skalowalność i niezawodność.
Brakuje: nie podano wielkości zespołu, który będzie bezpośrednim otoczeniem, brak informacji o dyżurach on-call.
Rola łączy MLOps i DevOps – odpowiadasz za wdrożenie i utrzymanie pipeline'ów ML na AWS, od eksperymentów po produkcję. Współpracujesz z Data Science i zespołem platformowym, zarządzasz Kubernetes (EKS), CI/CD, monitorowaniem i bezpieczeństwem. To stanowisko operacyjne, nie badawcze – nie budujesz modeli, ale dbasz o ich skalowalność i niezawodność.
- ✓W pełni zdalna praca (remote)
- ✓Wynagrodzenie uzależnione od wyników (performance related reward)
- ✓Jasny proces rekrutacyjny (3 etapy)
- ✓Możliwość pracy w międzynarodowym środowisku z ciągłym rozwojem
- !Brak informacji o wielkości zespołu i liczbie obsługiwanych modeli
- !Nie określono, czy wymagane są dyżury on-call
- !Poziom 'regular' przy wymaganiu 2+ lat – może oznaczać niewielką autonomię
- •Projektowanie i utrzymanie MLOps pipeline'ów na AWS z użyciem SageMaker, EKS, S3, Lambda
- •Praca z Kubernetes (EKS) – debugowanie, skalowanie, orchestracja modeli i mikroserwisów
- •Budowa i utrzymanie CI/CD (GitLab CI) dla modeli i aplikacji
- •Współpraca z Data Science przy deploymencie i monitorowaniu modeli w produkcji
- •Implementacja security best practices (sieć, szyfrowanie, RBAC) w AWS
- •Monitorowanie wydajności i dostępności pipeline'ów (Prometheus, Grafana, CloudWatch, ELK)
- •Optymalizacja kosztów i wydajności infrastruktury chmurowej
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Inżynier z 2 latami pracy w DevOps lub MLOps, który zna podstawy AWS (SageMaker, EKS), Docker i Kubernetes, potrafi pisać proste skrypty w Pythonie i Bash, i chce rozwijać się w kierunku MLOps.
Nie dla juniorów z mniej niż 2 latami doświadczenia ani dla data scientistów bez umiejętności infrastrukturalnych. Rola wymaga praktycznej wiedzy o chmurze, kontenerach i CI/CD.
- ?Ile osób liczy zespół i jaki jest podział na MLOps vs DevOps?
- ?Czy są dyżury on-call? Jeśli tak, jak często?
- ?Jakie modele ML są obecnie w produkcji i w jakiej skali?
- ?Czy budżet szkoleniowy obejmuje kursy lub certyfikacje (np. AWS)?
- ?Jaki jest stosunek pracy nad nowymi pipeline'ami do utrzymania istniejących?
- ?Czy istnieje możliwość przejścia na wyższy poziom (senior) w perspektywie roku?
- −Nie podano wielkości zespołu, który będzie bezpośrednim otoczeniem
- −Brak informacji o dyżurach on-call
- −Nie wiadomo, jakie modele ML są rozwijane (domena biznesowa)
- −Brak opisu, jak wygląda współpraca z Data Science w praktyce (ile czasu na synchronizację)
Międzynarodowe środowisko z naciskiem na rozwój osobisty i współpracę między zespołami (Data Science, DevOps). Wzmianka o 'continuous personal development' sugeruje kulturę uczenia się.
3 etapy: 1) rozmowa wstępna z Talent Acquisition, 2) rozmowa techniczna z zespołem, 3) finalna rozmowa. Brak zadania domowego lub live codingu w opisie.
Poniżej mediany rynkowej
≈ 74,4–138,3 zł/h
Dane z aktywnych ofert zawierających technologię Kubernetes. Pełne statystyki zarobków →