MLOps Engineer

• Minimum 3 lata doświadczenia w obszarze MLOps, Machine Learning lub Data Engineering
• Głęboka znajomość Azure (w szczególności Azure ML , AKS, Azure Container Registry ) lub GCP/AWS z gotowością do szybkiego wejścia w Azure.
• Praktyczna obsługa MLflow , Kubeflow lub rozwiązań natywnych chmury do zarządzania cyklem życia modelu.
• Zaawansowana znajomość Docker i Kubernetes ( zarządzanie klastrami, Helm charts, Ingress ).
• Doświadczenie w budowaniu pipeline'ów ( Azure DevOps , GitHub Actions , Jenkins ).
• Dobra znajomość Python (niezbędna do pracy z SDK narzędzi ML) oraz Bash/Shell .
• Znajomość Terraform , Bicep lub Ansible .

Wspólnie z naszym Partnerem z branży ubezpieczeń poszukujemy doświadczonego/ej specjalisty/ki do świadczenia usług jako MLOps Engineer .

Projekt dotyczy strategicznego programu transformacyjnego realizowanego na styku biznesu i technologii. Nasz klient tworzy nowoczesny ekosystem obsługi szkód i świadczeń oparty na danych, automatyzacji, AI oraz procesach workflow.

✨ OFERUJEMY:

• Nowy sposób na aplikowanie z AI Rekruterem (AIR) – w trakcie procesu możesz porozmawiać z wirtualnym rekruterem 24/7, bez czekania na telefon. Finalną decyzję zawsze podejmuje Opiekun Projektu.
• Otwartość na okazjonalne spotkania projektowe w Warszawie (orientacyjnie 1x w tygodniu), ustalane w zależności od potrzeb projektu i uzgadniane między stronami.
• Współpracę w modelu projektowym, z rozliczeniem opartym na etapach i protokołach odbioru poszczególnych deliverables.
• Wsparcie po stronie Connectis w sprawach administracyjnych i rozliczeniowych związanych ze współpracą.
• Uczestnictwo w wydarzeniach branżowych oraz meetupach technologicznych.
• 5 000 PLN za polecenie znajomych do naszych projektów.
• Elastyczna forma współpracy B2B.
• Szybki i zdalny proces.

Dziękujemy za wszystkie zgłoszenia. Pragniemy poinformować, że skontaktujemy się z wybranymi osobami.

13537/MP

,[Automatyzacja procesów CI/CD/CT: Implementacja potoków (pipelines) CI/CD dla rozwiązań ML, obejmujących automatyczne testowanie, wersjonowanie danych i modeli (DVC, MLflow) oraz Continuous Training (CT)., Projektowanie i budowa infrastruktury MLOps/LLMOps: Tworzenie skalowalnego środowiska do trenowania i serwowania modeli przy użyciu Azure Machine Learning, Azure AI Foundry oraz Kubernetes (AKS)., Konteneryzacja i orkiestracja: Przygotowywanie obrazów Docker dla modeli AI/GenAI oraz zarządzanie ich wdrożeniami na klastrach Kubernetes w architekturze hybrydowej (integracja z systemami on-premise)., Optymalizacja kosztów i wydajności: Zarządzanie zasobami chmurowymi Azure, optymalizacja czasu inferencji modeli oraz skalowanie infrastruktury w zależności od obciążenia.] Requirements: Azure, Azure Machine Learning, Docker, Kubernetes, Helm, AKS, CI/CD, Azure Devops, Python, Bash, MLFlow, Terraform