MLOps Engineer
Clurgo
Rola polega na budowie i utrzymaniu infrastruktury produkcyjnej dla modeli ML i rozwiązań GenAI (LLM) na platformie Azure dla klienta z branży ubezpieczeniowej. To typowa rola MLOps/LLMOps – łączysz świat Data Science z IT Operations, automatyzując potoki CI/CD/CT, konteneryzując modele i monitorując ich działanie w produkcji. Nie jest to rola badawcza; skupiasz się na skalowalności, bezpieczeństwie i zgodności z regulacjami (AI Act).
Brakuje: nie podano wielkości zespołu ani struktury raportowania, brak informacji o procesie rekrutacyjnym (liczba etapów, zadanie domowe, live coding).
Rola polega na budowie i utrzymaniu infrastruktury produkcyjnej dla modeli ML i rozwiązań GenAI (LLM) na platformie Azure dla klienta z branży ubezpieczeniowej. To typowa rola MLOps/LLMOps – łączysz świat Data Science z IT Operations, automatyzując potoki CI/CD/CT, konteneryzując modele i monitorując ich działanie w produkcji. Nie jest to rola badawcza; skupiasz się na skalowalności, bezpieczeństwie i zgodności z regulacjami (AI Act).
- ✓Firma stworzona przez developerów dla developerów – kultura stawia na dobre praktyki i work-life balance
- ✓Budowa nowej, nowoczesnej platformy AI (greenfield) z wykorzystaniem najnowszych technologii
- ✓Automatyzacja jako priorytet (Automation First)
- ✓Transparentny proces rekrutacyjny z informacją zwrotną
- ✓Dodatkowe benefity: lekcje języka angielskiego, integracje zespołowe
- !Rola dla klienta zewnętrznego (outsourcing) – może być mniejszy wpływ na roadmapę produktu
- !Brak informacji o wielkości zespołu i strukturze współpracy z klientem
- !Poziom 'regular', ale wymagane 3 lata – może być postrzegane jako mid, a nie senior
- !Hybryda z obowiązkową wizytą w biurze raz w tygodniu – może być uciążliwe dla osób spoza Warszawy
- •Projektowanie i wdrażanie skalowalnej infrastruktury MLOps/LLMOps na Azure (Azure ML, Azure AI Foundry, AKS)
- •Tworzenie i utrzymanie zautomatyzowanych potoków CI/CD/CT z użyciem DVC, MLflow i Continuous Training
- •Konteneryzacja rozwiązań AI/GenAI (Docker) i zarządzanie wdrożeniami na klastrach Kubernetes (AKS)
- •Implementacja monitoringu Data/Model Drift oraz observability dla modeli produkcyjnych
- •Optymalizacja kosztów i czasu inferencji oraz rozwiązywanie incydentów produkcyjnych
- •Konfiguracja infrastruktury jako kod (IaC) przy użyciu Terraform, Bicep lub Ansible
- •Współpraca z inżynierami danych i zespołem ds. bezpieczeństwa w celu spełnienia wymagań sieciowych i regulacyjnych
- •Pisanie i review kodu automatyzacyjnego w Pythonie
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Inżynier z co najmniej 3-letnim komercyjnym doświadczeniem w MLOps, który potrafi samodzielnie projektować i wdrażać infrastrukturę ML na Azure oraz ma praktyczną znajomość K8s, IaC i CI/CD.
Osoby z mniej niż 3 latami doświadczenia w MLOps, które nie czują się mocno w Azure/Kubernetes, lub szukają w pełni zdalnej lub całkowicie stacjonarnej pracy.
- ?Ile osób liczy zespół MLOps po stronie klienta i po stronie Clurgo?
- ?Czy platforma AI jest budowana od zera, czy to istniejący system?
- ?Jak wygląda podział obowiązków między Clurgo a klientem – czy jesteśmy zespołem embedded, czy działamy jako osobna jednostka?
- ?Czy są przewidziane dyżury on-call? Jeśli tak, jaka jest ich częstotliwość i czy są dodatkowo płatne?
- ?Jakie są główne wyzwania techniczne, z którymi zespół się mierzy?
- ?Czy istnieje możliwość przedłużenia kontraktu po zakończeniu projektu?
- ?Jakie są najbliższe kamienie milowe w projekcie?
- −Nie podano wielkości zespołu ani struktury raportowania
- −Brak informacji o procesie rekrutacyjnym (liczba etapów, zadanie domowe, live coding)
- −Nie wiadomo, czy platforma AI jest budowana od zera, czy rozwijana istniejąca
- −Brak szczegółów dotyczących on-call i ewentualnego wynagrodzenia za dyżury
- −Nie określono, jakie są dalsze perspektywy rozwoju po zakończeniu projektu dla tego klienta
Kultura zorientowana na developerów, z naciskiem na dobre praktyki i work-life balance. Regularne integracje zespołowe i transparentny feedback w procesie rekrutacyjnym.