Machine Learning Engineer - Allegro Pay
Allegro
Choć tytuł brzmi Machine Learning Engineer, rzeczywista rola to inżynier platformy MLOps w dziale FinTech Allegro Pay. Nie będziesz budować modeli ML, ale tworzyć i utrzymywać infrastrukturę do ich trenowania, deployowania i monitorowania. Twoim zadaniem jest automatyzacja pipeline'ów ML (MLOps), zarządzanie Feature Store, budowanie narzędzi dla Data Scientistów oraz integracja z platformą AI. Pracujesz na dużą skalę – Allegro obsługuje miliony użytkowników. Technologie: Python, Snowflake, Airflow, Azure, Kubernetes, MLFlow, .NET (mile widziany).
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: nie podano wielkości zespołu, brak opisu procesu rekrutacyjnego (etapy, czas).
To rola inżyniera platformy MLOps – nie będziesz budować modeli ML, ale tworzyć infrastrukturę i narzędzia, które umożliwią Data Scientistom samodzielne wdrażanie modeli. Tytuł sugeruje skupienie na ML, ale codzienna praca to DevOps, orkiestracja, deploy i monitoring.
Choć tytuł brzmi Machine Learning Engineer, rzeczywista rola to inżynier platformy MLOps w dziale FinTech Allegro Pay. Nie będziesz budować modeli ML, ale tworzyć i utrzymywać infrastrukturę do ich trenowania, deployowania i monitorowania. Twoim zadaniem jest automatyzacja pipeline'ów ML (MLOps), zarządzanie Feature Store, budowanie narzędzi dla Data Scientistów oraz integracja z platformą AI. Pracujesz na dużą skalę – Allegro obsługuje miliony użytkowników. Technologie: Python, Snowflake, Airflow, Azure, Kubernetes, MLFlow, .NET (mile widziany).
- ✓Praca na dużą skalę (miliony użytkowników, setki microserwisów)
- ✓Nowoczesny stack: Kubernetes, Snowflake, Azure, MLFlow, Airflow
- ✓Autonomia techniczna i wybór technologii do rozwiązania problemu
- ✓Budżet szkoleniowy, konferencje, hackathony, wewnętrzna platforma edukacyjna
- ✓Wsparcie dla narzędzi AI (LLM) do automatyzacji
- ✓Dodatkowy dzień wolny na wolontariat
- !Model hybrydowy 4/1 oznacza praktycznie 4 dni w biurze tygodniowo, co jest dość restrykcyjne
- !Wymaganie znajomości narzędzi AI (Opencode, Codex, Claude) jako must-have – może być buzzwordem
- !Szeroki zakres technologii – może wskazywać na wiele obowiązków
- !Brak informacji o wielkości zespołu i procesie rekrutacyjnym
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Projektowanie i rozwijanie platformy MLOps (automatyzacja budowy i deployu modeli)
- •Implementacja pipeline'ów treningowych dla modeli predykcyjnych (drzewa decyzyjne, sieci neuronowe, grafy)
- •Deploy modeli do produkcji i optymalizacja procesów wdrożeniowych (self-service dla Data Scientistów)
- •Zarządzanie, monitorowanie i przekalibrowywanie modeli produkcyjnych
- •Rozwijanie Feature Store – aplikacji dostarczającej predyktory dla modeli produkcyjnych
- •Integracja platformy ML z FinTech AI Platform (agentowe workflowy)
- •Współpraca z Data Scientistami przy definiowaniu wymagań i rozwiązywaniu problemów
- •Używanie narzędzi AI (Opencode, Codex, Claude) do automatyzacji powtarzalnych zadań
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Osoba z 2-letnim doświadczeniem w budowaniu ML-driven rozwiązań, która posiada solidne podstawy Pythona i SQL, zna narzędzia MLOps na poziomie podstawowym i potrafi pracować samodzielnie. Może mieć mniejsze doświadczenie z DevOps, ale jest gotowa się uczyć.
Nie dla juniorów bez doświadczenia w ML ani dla Data Scientistów, którzy chcą głównie budować modele – ta rola jest platformowa. Osoby nieakceptujące częstej obecności w biurze (4 dni w tygodniu) również powinny się zastanowić.
- ?Ile osób liczy zespół MLOps w Allegro Pay?
- ?Czy na co dzień pracujecie w modelu 4 dni w biurze? Czy jest elastyczność?
- ?Jak wygląda proces rekrutacyjny – ile etapów, czy jest zadanie domowe?
- ?Czy są dyżury on-call? Jak często?
- ?Jaki jest stosunek pracy platformowej do pracy nad modelami?
- ?Czy Feature Store wewnętrznie rozwijany jest na .NET?
- ?Jakie są największe wyzwania techniczne w obecnym MLOps?
- −Nie podano wielkości zespołu
- −Brak opisu procesu rekrutacyjnego (etapy, czas)
- −Nie wiadomo, czy są dyżury on-call
- −Brak informacji o budżecie szkoleniowym (konkretna kwota)
Doświadczony zespół, który nie boi się trudnych problemów, stawia na inżynierskie podejście do ML i dzielenie się wiedzą. Pracownicy regularnie uczestniczą w konferencjach i mają autonomię techniczną. Kultura oparta na self-service i nowoczesnych narzędziach.