Inżynier / Inżynierka Machine Learning
B2Bnetwork
To rola inżyniera platformy MLOps/LLMOps, a nie klasycznego Machine Learning Engineera. Nie chodzi o budowanie modeli, ale o budowanie i utrzymanie platformy do ich wdrażania, skalowania i monitorowania w produkcji. Działasz w środowisku Kubernetes i GCP, automatyzując CI/CD, zarządzając pipeline'ami danych i narzędziami do fine-tuningu. Współpracujesz z Data Science, DevOps i biznesem, aby zapewnić płynne przejście modeli z eksperymentów do produkcji.
Brakuje: brak informacji o wielkości zespołu i strukturze organizacyjnej, nie podano liczby dni hybrydowych w tygodniu.
Wbrew tytułowi 'Inżynier ML', rola skupia się na budowie i utrzymaniu platformy MLOps/LLMOps w Kubernetes i GCP, a nie na tworzeniu modeli. To stanowisko platform engineering, nie data science.
To rola inżyniera platformy MLOps/LLMOps, a nie klasycznego Machine Learning Engineera. Nie chodzi o budowanie modeli, ale o budowanie i utrzymanie platformy do ich wdrażania, skalowania i monitorowania w produkcji. Działasz w środowisku Kubernetes i GCP, automatyzując CI/CD, zarządzając pipeline'ami danych i narzędziami do fine-tuningu. Współpracujesz z Data Science, DevOps i biznesem, aby zapewnić płynne przejście modeli z eksperymentów do produkcji.
- ✓Nowoczesny stack technologiczny (K8s, GCP, MLflow, Airflow)
- ✓Możliwość pracy nad platformą o dużym wpływie na cały cykl życia ML
- ✓Samodzielność i odpowiedzialność techniczna oraz mentoring
- !Niejasna wielkość zespołu – nie podano ile osób pracuje nad platformą
- !Mile widziane technologie legacy (Grails, Groovy) – może wskazywać na starsze systemy w otoczeniu
- •Projektowanie i wdrażanie architektury platformy MLOps na Kubernetes i GCP
- •Konfiguracja i zarządzanie pipeline'ami CI/CD dla modeli ML/LLM
- •Monitorowanie wydajności modeli i infrastruktury w produkcji
- •Debugowanie problemów technicznych związanych z deploymentem modeli
- •Tworzenie skryptów i narzędzi w Pythonie do automatyzacji procesów
- •Prowadzenie code review i mentoring młodszych członków zespołu
- •Współpraca z zespołem Data Science przy optymalizacji modeli do produkcji
Oferta dla doświadczonych specjalistów (Senior).
Mid-level inżynier z solidnym doświadczeniem w Pythonie i Kubernetes, który miał styczność z MLOps, ale niekoniecznie prowadził projekty end-to-end. Wymagana jest zdolność do samodzielnego rozwiązywania problemów i chęć rozwoju w stronę architektury platform.
Juniorzy bez doświadczenia w Kubernetes i MLOps, ani osoby szukające typowej roli Data Scientist/ML Engineer zajmującej się budową modeli. Również nie dla kandydatów oczekujących pracy w pełni zdalnej (wymagana hybryda w Warszawie).
- ?Ile osób liczy zespół MLOps i jakie są kompetencje w zespole?
- ?Jak wygląda typowy dzień – ile czasu zajmuje praca nad platformą vs. reagowanie na incydenty?
- ?Czy są jakieś legacy systemy (np. Grails) które trzeba utrzymywać?
- ?Jak często są dyżury on-call i czy są dodatkowo płatne?
- ?Jaki jest proces decyzyjny dotyczący wyboru narzędzi i architektury?
- ?Czy istnieje plan migracji lub modernizacji istniejących rozwiązań?
- −Brak informacji o wielkości zespołu i strukturze organizacyjnej
- −Nie podano liczby dni hybrydowych w tygodniu
- −Brak opisu procesu rekrutacyjnego (etapy, czas trwania)
- −Nie wiadomo, czy są przewidziane dyżury on-call
- −Brak informacji o benefity (np. budżet szkoleniowy, prywatna opieka zdrowotna)
Kultura oparta na współpracy i mentoringu, z dużą autonomią techniczną. Oczekuje się proaktywności i umiejętności podejmowania decyzji.
Poniżej mediany rynkowej
Dane z aktywnych ofert zawierających technologię Airflow. Pełne statystyki zarobków →