Machine Learning Developer (Mid/Banking)
B2B.NET
Rola koncentruje się na budowie, wdrożeniu i utrzymaniu modeli predykcyjnych dla sektora bankowego, wspierających sprzedaż produktów finansowych (FX, leasing, faktoring). Pracujesz nad całym cyklem życia modeli ML – od przygotowania danych, przez trenowanie i walidację, aż po produkcyjne wdrożenie i monitoring. Będziesz pracować w zespole data science, współpracując z biznesem, a codzienność to kod w Pythonie, SQL, praca z Dockerem i CI/CD. Firma B2B.NET to outsourcing IT – projekt realizowany jest u klienta (bank).
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: brak widełek wynagrodzenia, nie podano wielkości zespołu ani struktury (data scientist vs ml engineer).
Rola koncentruje się na budowie, wdrożeniu i utrzymaniu modeli predykcyjnych dla sektora bankowego, wspierających sprzedaż produktów finansowych (FX, leasing, faktoring). Pracujesz nad całym cyklem życia modeli ML – od przygotowania danych, przez trenowanie i walidację, aż po produkcyjne wdrożenie i monitoring. Będziesz pracować w zespole data science, współpracując z biznesem, a codzienność to kod w Pythonie, SQL, praca z Dockerem i CI/CD. Firma B2B.NET to outsourcing IT – projekt realizowany jest u klienta (bank).
- ✓Krótki proces rekrutacyjny – rozmowa z rekruterem i jedna z klientem
- ✓Możliwość pracy nad pełnym cyklem ML – od danych do produkcji
- ✓Projekt w stabilnym sektorze bankowym
- −Outsourcing – praca u klienta, co może oznaczać mniejszą kontrolę nad środowiskiem i priorytetami
- −Brak widełek wynagrodzenia w ogłoszeniu
- !Hybrydowy model pracy bez określonej liczby dni w biurze
- !Nie podano wielkości zespołu ani podziału ról (data scientist vs ML engineer)
- !Mimo wymienionego MLOps, brak konkretnych narzędzi (MLflow, Kubeflow itp.)
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Budowa, trenowanie i walidacja modeli supervised learning (LightGBM, XGBoost, scikit-learn)
- •Feature engineering i data wrangling na dużych wolumenach danych
- •Optymalizacja zapytań SQL i praca z SQL Server
- •Wdrażanie modeli do środowiska produkcyjnego (Docker, CI/CD)
- •Integracja modeli z systemami poprzez API lub batch processing
- •Budowa i utrzymanie pipeline’ów danych (ETL, SSIS w tle)
- •Udział w procesach MLOps – wersjonowanie modeli, powtarzalność eksperymentów
- •Współpraca z biznesem przy definiowaniu i rozwoju modeli sprzedażowych
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Osoba z 3 latami praktyki w ML/DS, która wdrożyła przynajmniej jeden model do produkcji, zna podstawy MLOps i czuje się swobodnie w SQL oraz Pythonie z bibliotekami ML.
Juniorzy z mniej niż 3 latami doświadczenia lub kandydaci bez produkcyjnych wdrożeń ML – oferta wymaga konkretnych efektów w produkcji. Również nie dla osób oczekujących pracy nad czysto badawczym ML bez kontaktu z biznesem.
- ?Ile osób liczy zespół data science/ML, w którym będę pracować?
- ?Czy jest osobny zespół ds. danych/inżynierii, czy sam odpowiadam za pipeline’y?
- ?Jakie narzędzia MLOps są używane (MLflow, DVC, kubeflow)?
- ?Ile dni w tygodniu praca w biurze w Warszawie?
- ?Czy praca wymaga dyżurów on-call przy modelach produkcyjnych?
- ?Jaki jest stosowany cloud (AWS/Azure/GCP) czy wszystko on-prem?
- ?Czy istnieje budżet na szkolenia lub konferencje?
- ?Jak wygląda onboarding – czy jest okres wdrożeniowy u klienta?
- −Brak widełek wynagrodzenia
- −Nie podano wielkości zespołu ani struktury (data scientist vs ML engineer)
- −Brak informacji o narzędziach MLOps (np. MLflow, DVC)
- −Nie określono liczby dni pracy zdalnej w modelu hybrydowym
- −Brak informacji o cloudzie (AWS/Azure/GCP) – czy projekty on-prem?
Zespół pracuje w metodyce Agile/Scrum u klienta bankowego, z naciskiem na współpracę z biznesem i iteracyjny rozwój modeli.
Dwuetapowy: rozmowa z rekruterem (ok. 30 min) + rozmowa z klientem (ok. 1h). Brak informacji o zadaniu domowym lub live codingu.