MLOps Engineer

Zakres obowiązków:

• Tworzenie i utrzymanie platformy AI w branży ubezpieczeniowej:
• Projektowanie i budowa infrastruktury MLOps/LLMOps:
  Tworzenie skalowalnego środowiska do trenowania i serwowania modeli przy użyciu Azure Machine Learning, Azure AI Foundry lub Kubernetes (AKS).
• 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).
• 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).
• Monitoring i Observability:
  Wdrożenie zaawansowanego monitoringu modeli (wykrywanie Data Drift/Model Drift), logowania i alertowania.
• Wsparcie techniczne dla AI Act:
  Implementacja narzędzi do audytowalności modeli, lineage (śledzenie pochodzenia danych) oraz bezpieczeństwa (zarządzanie dostępem, szyfrowanie) zgodnie z wymogami regulacyjnymi.
• Optymalizacja kosztów i wydajności:
  Zarządzanie zasobami chmurowymi Azure, optymalizacja czasu inferencji modeli oraz skalowanie infrastruktury w zależności od obciążenia.

Lokalizacja:
Warszawa/Wola; praca hybrydowa – 1x w tygodniu w biurze

• Minimum 3 lata doświadczenia w obszarze Dev Ops, MLOps lub Inżynierii Oprogramowania, w tym praktyka w pracy z modelami ML na produkcji.
• Zaawansowana znajomość Docker i Kubernetes (zarządzanie klastrami, Helm charts, Ingress).
• Głęboka znajomość Azure (w szczególności Azure ML, AKS, Azure Container Registry) lub GCP/AWS z gotowością do szybkiego wejścia w Azure.
• Doświadczenie w budowaniu pipeline'ów (Azure Dev Ops, Git Hub Actions, Jenkins) uwzględniających specyfikę ML (np. trenowanie modelu jako krok w pipeline).
• Dobra znajomość Python (niezbędna do pracy z SDK narzędzi ML) oraz Bash/Shell.
• Praktyczna obsługa MLflow, Kubeflow lub rozwiązań natywnych chmury do zarządzania cyklem życia modelu.
• Znajomość Terraform, Bicep lub Ansible.
• Podejście "Automation First" – dążenie do eliminacji pracy manualnej poprzez skrypty i narzędzia.

• Certyfikaty Azure:
  Dev Ops Engineer Expert (AZ-400) lub Azure AI Engineer (AI-102).
• Doświadczenie we wdrażaniu modeli LLM i architektur RAG.
• Znajomość narzędzi do monitoringu (Prometheus, Grafana, Azure Monitor).
• Rozumienie zagadnień sieciowych w chmurze hybrydowej (VPN, VNet, Private Endpoints).
• Znajomość baz wektorowych (np. w kontekście Azure AI Search).