Senior MLOps Engineer [M/F]

Opis oferty

Projekt zakłada budowę i rozwój nowoczesnej platformy MLOps opartej na Google Cloud Platform (Vertex AI), umożliwiającej szybkie, bezpieczne i zautomatyzowane wdrażanie modeli uczenia maszynowego do środowiska produkcyjnego. Osoba na tym stanowisku będzie odpowiadać za tworzenie skalowalnej infrastruktury obejmującej pipeline'y ML, Feature Store, procesy CI/CD oraz monitoring modeli i danych, zapewniając ich niezawodność oraz pełną odtwarzalność. Celem projektu jest zwiększenie dojrzałości organizacji w obszarze MLOps oraz stworzenie solidnych fundamentów pod rozwój zaawansowanych rozwiązań opartych na sztucznej inteligencji.

Wymagania

• min. 5 lat doświadczenia na stanowisku MLOps Engineer, ML Engineer, Platform Engineer lub w obszarze Data Engineering/Infrastructure wspierającym środowiska Machine Learning,
• bardzo dobra znajomość języka Python,
• znajomość dobrych praktyk inżynierii oprogramowania, w tym:
  • testowania,
  • kontroli wersji (Git),
  • code review.
• praktyczne doświadczenie z rozwiązaniami chmurowymi, preferencyjnie Google Cloud Platform oraz Vertex AI (Feature Store, Pipelines, Model Monitoring),
• doświadczenie z Docker, Kubernetes, Terraform, narzędziami CI/CD (np. GitHub Actions, GitLab CI, Jenkins),
• doświadczenie w monitorowaniu modeli ML, obserwowalności (Observability) oraz wykrywaniu driftu modeli i danych w środowiskach produkcyjnych.

Zakres obowiązków

• projektowanie, rozwój oraz utrzymanie powtarzalnych pipeline'ów treningowych i wdrożeniowych z wykorzystaniem Vertex AI (Pipelines, Model Registry, Endpoints),
• budowa i rozwój wspólnego Feature Store umożliwiającego ponowne wykorzystanie cech pomiędzy zespołami oraz zachowanie spójności pomiędzy treningiem i środowiskiem produkcyjnym,
• automatyzacja pełnego cyklu życia modeli ML, w tym procesów CI/CD, testowania oraz kontrolowanych wdrożeń,
• implementacja monitoringu modeli, jakości danych oraz wykrywania driftu modeli i danych wraz z alertowaniem powiązanym z wynikami biznesowymi,
• zarządzanie wersjonowaniem zbiorów danych i definicji cech w celu zapewnienia pełnej identyfikowalności (lineage) i odtwarzalności procesów ML,
• współpraca z zespołami Data Science oraz Cloud Engineering przy rozwoju i automatyzacji środowiska MLOps,
• wdrażanie dobrych praktyk z zakresu inżynierii oprogramowania, automatyzacji oraz niezawodności platform ML.