Senior ML Engineer
SoftServe
Rola łączy ML Engineering, MLOps i cloud-native infrastructure. Będziesz projektować, budować i utrzymywać produkcyjne systemy ML dla brytyjskiego detalisty spożywczego. Praca koncentruje się na deployment modeli, monitorowaniu, CI/CD i optymalizacji – to nie jest rola badawcza, ale produkcyjno-inżynieryjna.
Brakuje: wielkość zespołu, obciążenie on-call.
Rola łączy ML Engineering, MLOps i cloud-native infrastructure. Będziesz projektować, budować i utrzymywać produkcyjne systemy ML dla brytyjskiego detalisty spożywczego. Praca koncentruje się na deployment modeli, monitorowaniu, CI/CD i optymalizacji – to nie jest rola badawcza, ale produkcyjno-inżynieryjna.
- ✓Remote (100% zdalnie) – zgodne z danymi strukturalnymi
- ✓Jawne widełki wynagrodzenia (20-30k PLN B2B)
- ✓Międzynarodowy projekt (UK retailer) – szansa na pracę w globalnym środowisku
- ✓Budżet szkoleniowy i prywatna opieka zdrowotna
- ✓Płaska struktura i małe zespoły – autonomia techniczna
- !Brak informacji o wielkości zespołu
- !Nie wiadomo, czy dyżury on-call są wymagane
- !Outsourcing do klienta zewnętrznego – możliwy brak wpływu na roadmapę produktu
- !Nie podano konkretnego ML frameworka (TensorFlow/PyTorch)
- •Projektowanie i budowa skalowalnych pipeline'ów ML
- •Deployment modeli ML od eksperymentów do produkcji
- •Tłumaczenie prototypów Data Science na produkcyjne usługi ML
- •Podejmowanie decyzji architektonicznych dot. infrastruktury ML (narzędzia, skalowalność, koszty)
- •Integracja rozwiązań ML z aplikacjami enterprise i środowiskami chmurowymi
- •Utrzymywanie CI/CD dla systemów ML (GitHub Actions, Terraform)
- •Implementacja wersjonowania modeli, eksperymentów, monitorowania i alertowania (MLflow, Airflow)
- •Optymalizacja pipeline'ów inferencyjnych pod kątem latencji, przepustowości i kosztów
Oferta dla doświadczonych specjalistów (Senior).
Mid-level ML Engineer z co najmniej 3-4 latami doświadczenia, który ma solidne podstawy w Pythonie i chmurze, ale chce rozwinąć się w stronę MLOps i produkcji; musi znać Dockera i Kubernetes na poziomie podstawowym.
Juniors (poniżej 3 lat) ani osoby bez doświadczenia w produkcyjnym ML i MLOps. Nie dla Data Scientistów, którzy nie chcą zajmować się infrastrukturą i deploymentem.
- ?Ile osób liczy zespół ML/MLOps, z którym będę współpracować?
- ?Czy w projekcie obowiązują dyżury on-call? Jeśli tak, jaka jest częstotliwość?
- ?Jaki jest konkretny stos technologiczny po stronie klienta (TensorFlow/PyTorch, jakie narzędzia monitoringu)?
- ?Czy praca odbywa się bezpośrednio z klientem, czy przez SoftServe?
- ?Jaki jest stosunek pracy nad nowymi funkcjonalnościami do utrzymania istniejących systemów?
- ?Czy istnieje możliwość wpływu na wybór narzędzi i architektury?
- −Wielkość zespołu
- −Obciążenie on-call
- −Szczegółowy stack monitoringu (np. Prometheus, Grafana)
- −Konkretny ML framework (TensorFlow/PyTorch/scikit-learn)
- −Proces rekrutacyjny (liczba etapów, zadanie domowe)
Płaska struktura i małe zespoły sugerują autonomię i bezpośrednią współpracę. Praca w międzynarodowym środowisku dla klienta z UK prawdopodobnie wymaga dobrej komunikacji i samodzielności.
Poniżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię Python. Pełne statystyki zarobków →