Machine Learning Engineer
SmartChoice International
Rola polega na migracji istniejących modeli machine learning opartych na Pythonie do skalowalnego środowiska Databricks. Będziesz odpowiedzialny za budowę pipeline'ów w PySpark, zarządzanie cyklem życia modeli przez MLflow, monitorowanie dryftu modeli oraz integrację z Power BI dla raportowania. Współpracujesz z interesariuszami biznesowymi z USA, aby zrozumieć wymagania i dostarczyć produkcyjne rozwiązanie. To nie jest rola badawcza – to inżynieria ML z naciskiem na platformę i MLOps.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: nie podano wielkości zespołu ani liczby interesariuszy, brak opisu procesu rekrutacyjnego.
Rola polega na migracji istniejących modeli machine learning opartych na Pythonie do skalowalnego środowiska Databricks. Będziesz odpowiedzialny za budowę pipeline'ów w PySpark, zarządzanie cyklem życia modeli przez MLflow, monitorowanie dryftu modeli oraz integrację z Power BI dla raportowania. Współpracujesz z interesariuszami biznesowymi z USA, aby zrozumieć wymagania i dostarczyć produkcyjne rozwiązanie. To nie jest rola badawcza – to inżynieria ML z naciskiem na platformę i MLOps.
- ✓Praca w pełni zdalna z Europy Wschodniej
- ✓Istnieje już działające rozwiązanie – nie zaczynasz od zera, tylko modernizujesz
- ✓Współpraca z biznesem – wpływ na produkt
- ✓Konkretne stawki dzienne podane w ogłoszeniu
- −Kontrakt tylko na 6 miesięcy – nie ma gwarancji przedłużenia
- −Wynagrodzenie podane w dolarach ($400/dzień) – brak kontekstu o kosztach życia w Europie Wschodniej
- −Firma nie jest znana – brak informacji o stabilności projektu
- !Wymagane nakładanie się czasu pracy z US East Coast – może oznaczać późne godziny
- !Brak informacji o procesie rekrutacyjnym
- !Brak wzmianki o zespole – nie wiadomo, z iloma osobami będziesz pracować
- !Tylko jeden projekt – ryzyko zakończenia po 6 miesiącach
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Współpraca z interesariuszami biznesowymi w celu zrozumienia wymagań i istniejącej architektury rozwiązania.
- •Przetwarzanie danych, czyszczenie i eksploracyjna analiza danych (EDA) z wielu źródeł.
- •Projektowanie, budowanie, trenowanie, testowanie i wdrażanie modeli ML i forecastingowych w Databricks.
- •Rozwijanie skalowalnych pipeline'ów danych z użyciem PySpark.
- •Implementacja zarządzania cyklem życia modeli za pomocą MLflow.
- •Ustanawianie procesów monitorowania jakości, wydajności i dryftu modeli.
- •Migracja istniejących workflowów przetwarzania danych i modelowania w Pythonie do Databricks.
- •Zapewnienie zgodności wyników z istniejącymi raportami Power BI.
Doświadczony inżynier ML z 5+ latami pracy, który ma silne komercyjne doświadczenie z Databricks i PySpark. Posiada praktyczną wiedzę o MLflow i MLOps, potrafi samodzielnie budować pipeline'y i wdrażać modele w produkcji. Ceni sobie pracę zdalną, potrafi komunikować się z biznesem i dostosować godziny pracy do czasu wschodniego USA.
Inżynier ML z co najmniej 3-letnim doświadczeniem w PySpark i Databricks, który zna podstawy MLflow i potrafi przeprowadzić migrację prostych workflowów. Musi mieć doświadczenie we współpracy z interesariuszami.
Osoby poniżej 3 lat doświadczenia w ML/Datascience, które nie pracowały produkcyjnie z Databricks i PySpark. Rola wymaga zaawansowanej znajomości platformy i samodzielności.
- ?Czy istnieje możliwość przedłużenia kontraktu po 6 miesiącach?
- ?Jaki jest harmonogram nakładania się czasu z US East Coast – ile godzin dziennie?
- ?Ile osób liczy zespół Data Science i z kim będę współpracować?
- ?Czy są już gotowe pipeline'y danych, czy trzeba je budować od podstaw?
- ?Jakie narzędzia do CI/CD są używane?
- ?Czy istnieje dokumentacja istniejącego rozwiązania?
- ?Czy są przewidziane dyżury on-call?
- ?Jaki jest budżet na szkolenia lub narzędzia?
- −Nie podano wielkości zespołu ani liczby interesariuszy
- −Brak opisu procesu rekrutacyjnego
- −Nie wiadomo, czy istnieje wsparcie ze strony DevOps/Data Engineering
- −Brak informacji o stacku chmurowym (Azure/AWS/GCP)
- −Nie wiadomo, jakie modele forecastingowe są używane