MLOps Engineer
PZU Tech S.A.
Budowa i utrzymanie platformy MLOps/LLMOps dla branży ubezpieczeniowej w PZU Tech. Inżynier będzie projektował skalowalne środowisko do trenowania i serwowania modeli w chmurze Azure z użyciem Kubernetes (AKS), automatyzował potoki CI/CD/CT, monitorował modele w produkcji (data drift, model drift) oraz wdrażał rozwiązania zgodne z AI Act. Rola wymaga silnych umiejętności w Docker, Kubernetes, Azure i Pythonie.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: nie podano wielkości zespołu, brak opisu procesu rekrutacyjnego.
Budowa i utrzymanie platformy MLOps/LLMOps dla branży ubezpieczeniowej w PZU Tech. Inżynier będzie projektował skalowalne środowisko do trenowania i serwowania modeli w chmurze Azure z użyciem Kubernetes (AKS), automatyzował potoki CI/CD/CT, monitorował modele w produkcji (data drift, model drift) oraz wdrażał rozwiązania zgodne z AI Act. Rola wymaga silnych umiejętności w Docker, Kubernetes, Azure i Pythonie.
- ✓Konkretny stack: Azure ML, AKS, Kubernetes, Terraform, MLflow
- ✓Ciekawa domena ubezpieczeniowa z realnym zastosowaniem AI
- ✓Odpowiedzialność za zgodność z AI Act – unikalne wyzwanie regulacyjne
- ✓Brak mikromanagementu sugerowany przez autonomiczną rolę
- !Mały zespół (firma 26-50 osób) – możliwa duża odpowiedzialność i zakres obowiązków
- !Wymóg szybkiego wejścia w Azure dla kandydatów z GCP/AWS
- !Duża liczba wymaganych technologii i buzzwordów (AI Act, RAG, LLM)
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Projektowanie i wdrażanie infrastruktury MLOps z wykorzystaniem Azure Machine Learning i AKS
- •Implementacja potoków CI/CD dla ML w Azure DevOps lub GitHub Actions
- •Tworzenie obrazów Docker dla modeli AI i zarządzanie wdrożeniami na Kubernetes
- •Konfiguracja monitoringu modeli (Prometheus/Grafana/Azure Monitor) i alertowanie
- •Automatyzacja infrastruktury (IaC) z Terraform, Bicep lub Ansible
- •Wsparcie Data Scientistów w wersjonowaniu modeli i danych (MLflow, DVC)
- •Optymalizacja kosztów chmury Azure i wydajności inferencji modeli
- •Implementacja audytowalności i lineage zgodnie z wymogami AI Act
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Inżynier z minimum 3-letnim doświadczeniem w DevOps lub MLOps, silnym backendem w Azure i Kubernetes, praktyką w Pythonie oraz podstawami MLOps (MLflow, CI/CD dla ML). Gotowość do szybkiego wejścia w Azure, jeśli pochodzi z innej chmury.
Osoby z mniej niż 3 latami doświadczenia w DevOps/MLOps, bez praktyki produkcyjnej z modelami ML. Rola nie jest dla juniorów ani dla Data Scientistów bez umiejętności infrastrukturalnych.
- ?Ile osób liczy zespół MLOps/DevOps i ilu Data Scientistów obsługujecie?
- ?Jaka jest obecna dojrzałość platformy MLOps – budujecie od zera czy rozwijacie istniejącą?
- ?Jak wygląda dyżur on-call – czy jest, jaka rotacja?
- ?Czy korzystacie z modeli GenAI/LLM już w produkcji, czy to dopiero plan?
- ?Jakie są najbliższe priorytety: nowa infrastruktura, migracja, czy optymalizacja?
- ?Czy oferujecie budżet na szkolenia/certyfikacje (np. Azure AI Engineer)?
- ?Ile dni w tygodniu/miesiącu trzeba być w biurze w Warszawie?
- −Nie podano wielkości zespołu
- −Brak opisu procesu rekrutacyjnego
- −Nie wiadomo, czy istnieje legacy infrastructure do utrzymania
- −Brak informacji o dyżurach on-call