Python Engineer with MLOps
VirtusLab
Rola skupia się na budowaniu i utrzymywaniu pipeline'ów ML w produkcji przy użyciu Azure, Kubernetes, Airflow i Spark. Będziesz tworzyć narzędzia i frameworki przyspieszające wdrażanie modeli, współpracując z data scientistami. To nie jest czysty backend – to rola MLOps/inżynierii ML, gdzie Python jest narzędziem do automatyzacji i orkiestracji, a główny nacisk kładzie się na infrastrukturę i wdrażanie.
Brakuje: nie podano procesu rekrutacyjnego., brak informacji o systemie on-call i ewentualnych dyżurach..
Rola skupia się na budowaniu i utrzymywaniu pipeline'ów ML w produkcji przy użyciu Azure, Kubernetes, Airflow i Spark. Będziesz tworzyć narzędzia i frameworki przyspieszające wdrażanie modeli, współpracując z data scientistami. To nie jest czysty backend – to rola MLOps/inżynierii ML, gdzie Python jest narzędziem do automatyzacji i orkiestracji, a główny nacisk kładzie się na infrastrukturę i wdrażanie.
- ✓Jasno opisane projekty i zespół (3 osoby) – transparentność.
- ✓Budżet na szkolenia (Training Package, Virtusity / in-house training) – rozwój.
- ✓Refundacja home office – realne wsparcie pracy zdalnej.
- ✓Społeczność techniczna i kultura inżynierska – zachęta do dzielenia się wiedzą.
- !Hybrydowy model pracy preferowany, dla zdalnych wymagane okazjonalne wizyty w biurze (ok. 1 raz w miesiącu) – niejasne, czy to obowiązkowe.
- !Wielokrotnie powtarzane 'nice to have' i 'regular' mogą sugerować, że rzeczywiste wymagania są wyższe niż deklarowane.
- !'Seems like lots of expectations, huh? Don’t worry!' – może maskować nieprecyzyjne oczekiwania.
- •Projektowanie i implementacja frameworków oraz bibliotek do standaryzacji i przyspieszenia wdrażania modeli ML.
- •Praca z Azure ML do trenowania modeli i zarządzania eksperymentami.
- •Budowanie i utrzymanie infrastruktury chmurowej jako kod (IaC) z Terraform.
- •Pisanie i optymalizacja kodu w PySpark do przetwarzania danych rozproszonych.
- •Diagnozowanie i rozwiązywanie problemów technicznych w środowisku produkcyjnym.
- •Utrzymywanie i rozwijanie pipeline'ów w Airflow oraz zarządzanie zadaniami cyklicznymi.
- •Współpraca z zespołami data science i inżynierii w celu zapewnienia najlepszych praktyk w zakresie jakości kodu, bezpieczeństwa i skalowalności.
- •Udział w processie wdrażania i monitorowania modeli ML w produkcji.
Oferta dla doświadczonych specjalistów (Senior).
Mid-level inżynier z co najmniej 3-4 latami doświadczenia w Pythonie, podstawami chmury (najlepiej Azure) i znajomością przynajmniej jednego narzędzia orkiestracyjnego (np. Airflow). Gotowość do nauki Kubernetes i Spark.
Juniorzy poniżej 3 lat doświadczenia w Pythonie, osoby bez doświadczenia w chmurze lub konteneryzacji, oraz kandydaci szukający czysto backendowej roli bez styku z MLOps.
- ?Jak często będą wymagane wizyty w biurze dla zdalnych – czy 1 raz w miesiącu to maksimum, czy może częściej w trakcie onboardingu?
- ?Czy zespół (3 inżynierów) pracuje w ramach jednego projektu, a jeśli tak – jaki jest podział ról?
- ?Jak wygląda system on-call i wsparcie produkcyjne dla pipeline'ów ML?
- ?Czy istnieje budżet na narzędzia chmurowe – czy zespół ma autonomię w wyborze?
- ?Jaki jest proces rekrutacyjny – ile etapów, czy jest zadanie domowe?
- ?Czy oferujecie możliwość pracy z innymi chmurami poza Azure, czy to wymóg projektowy?
- ?Jakie konkretne narzędzia observability są używane (np. Prometheus, Grafana, Datadog)?
- −Nie podano procesu rekrutacyjnego.
- −Brak informacji o systemie on-call i ewentualnych dyżurach.
- −Nie wiadomo, czy projekt Forecasting i Commodities to jedyny projekt, czy rotacja.
- −Brak informacji o budżecie szkoleniowym (konkretna kwota lub limity).
Kultura inżynierska oparta na silnej inżynierii, poczuciu własności i transparentności. Mały zespół (3 osoby) z dużym wpływem na techniczne decyzje i rozwój organizacji.
Na poziomie rynkowym
Dane z aktywnych ofert zawierających technologię Python. Pełne statystyki zarobków →