Senior Data/ML Engineer
emagine
To rola MLOps Engineer w sektorze bankowym. Twoim zadaniem będzie zarządzanie pełnym cyklem życia modeli ML: od rozwoju przez deployment po monitoring. Będziesz implementować MLOps na AWS, budować pipeline'y Big Data w Spark i Python, oraz współpracować z data scientist i DevOps. To stanowisko produkcyjne – model musi działać stabilnie i być monitorowane.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: nie podano liczby dni pracy zdalnej w hybrydzie, brak informacji o wielkości zespołu.
To rola MLOps Engineer w sektorze bankowym. Twoim zadaniem będzie zarządzanie pełnym cyklem życia modeli ML: od rozwoju przez deployment po monitoring. Będziesz implementować MLOps na AWS, budować pipeline'y Big Data w Spark i Python, oraz współpracować z data scientist i DevOps. To stanowisko produkcyjne – model musi działać stabilnie i być monitorowane.
- ✓Wymienione konkretne usługi AWS – wskazuje na realny tech stack
- ✓Mocny nacisk na MLOps i produkcję – szansa na pracę z nowoczesnym podejściem
- ✓Praca w dużej firmie (501+) – stabilność i procesy
- −Stawka 'up to 170 PLN/h' – może podlegać negocjacjom, ale górna granica może być sztywna
- −Praca w banku – często silne procesy i governance, co może spowalniać wdrożenia
- !Brak precyzyjnej informacji o liczbie dni hybrydowych (strukturalnie tylko 'hybrid')
- !Wymóg znajomości Agile/SAFe – może oznaczać dużo ceremonii i biurokracji
- !Brak informacji o dyżurach on-call
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Zarządzanie cyklem życia modeli ML: development, deployment, monitoring
- •Implementacja MLOps – automatyzacja pipeline'ów ML na AWS (SageMaker, Glue, Lambda, StepFunctions)
- •Tworzenie i utrzymywanie pipeline'ów do pozyskiwania i transformacji danych w Spark i Python
- •Budowanie rozproszonych i zrównoleglonych pipeline'ów do przetwarzania dużych danych
- •Współpraca z data scientist przy opracowywaniu i wdrażaniu modeli analitycznych
- •Optymalizacja bibliotek i praktyk MLOps dla różnych przypadków użycia
- •Eksploracja rozwiązań chmurowych AWS dla aplikacji AI/ML
- •Konteneryzacja i automatyzacja infrastruktury za pomocą AWS CLI, boto3, IAM
Oferta dla doświadczonych specjalistów (Senior).
Inżynier z 5 latami w Python i Spark, który zna podstawy AWS (S3, Glue, SageMaker) i jeden framework ML. Potrafi samodzielnie budować pipeline'y przetwarzania danych i rozumie MLOps.
Juniorzy – wymagane jest minimum 5 lat doświadczenia w Python i Spark. Osoby szukające pracy w pełni zdalnej – wymagana jest hybryda (3 dni w biurze).
- ?Ile dni w tygodniu jest wymaganych w biurze?
- ?Jaki jest skład zespołu – ilu data scientist, DevOps, inżynierów?
- ?Czy modele są już w produkcji, czy to greenfield?
- ?Czy jest system dyżurów (on-call) za produkcję?
- ?Jak często są wdrożenia nowych modeli?
- ?Czy wykorzystujecie SageMaker natywnie, czy własne rozwiązania?
- ?Jakie są plany modernizacji stacku? (Hadoop/Hive vs nowsze technologie)
- −Nie podano liczby dni pracy zdalnej w hybrydzie
- −Brak informacji o wielkości zespołu
- −Brak opisu procesu rekrutacyjnego
- −Brak informacji o dyżurach on-call
- −Nie wiadomo, czy projekt jest długoterminowy czy krótkoterminowy
Kultura pracy w banku – formalna, z silnym naciskiem na procesy i dokumentację. Współpraca z data scientist i DevOps w ramach Agile/SAFe.