MLOps Engineer

Stawka: 160–180 PLN/h Lokalizacja: Warszawa (hybrydowo, 1 dzień/tydz. z biura) S tart: ASAP Poszukujemy doświadczonego Inżyniera MLOps/LLMOps, który dołączy do zespołu budującego i utrzymującego nowoczesną platformę AI w sektorze ubezpieczeniowym. Projekt obejmuje rozwój infrastruktury do trenowania, wdrażania i monitorowania modeli ML/GenAI w środowisku chmurowym Azure oraz architekturze hybrydowej. Daily tasks: - Tworzenie i rozwój platformy AI wykorzystywanej w procesach biznesowych. - Projektowanie i budowa infrastruktury MLOps/LLMOps z użyciem Azure Machine Learning, Azure AI Foundry oraz AKS. - Implementacja CI/CD/CT dla rozwiązań ML (testy, wersjonowanie danych i modeli, automatyczne trenowanie). - Konteneryzacja i orkiestracja: Docker, Kubernetes, Helm, Ingress; wdrożenia w środowisku hybrydowym. - Monitoring i observability modeli: wykrywanie Data/Model Drift, logowanie, alertowanie. - Wsparcie w obszarze AI Act: audytowalność modeli, lineage, bezpieczeństwo, zarządzanie dostępem. - Optymalizacja kosztów i wydajności środowisk ML oraz inferencji modeli. Min. 3 lata doświadczenia w MLOps/DevOps/Software Engineering, w tym praca z modelami ML na produkcji. Bardzo dobra znajomość Docker i Kubernetes (zarządzanie klastrami, Helm charts, Ingress). Doświadczenie z chmurą publiczną — preferowane Azure (Azure ML, AKS, ACR) lub GCP/AWS z gotowością do wejścia w Azure. Praktyka w CI/CD (Azure DevOps, GitHub Actions, Jenkins) z uwzględnieniem specyfiki ML. Python + Bash/Shell na poziomie umożliwiającym automatyzację i pracę z ML SDK. Doświadczenie z MLflow, Kubeflow lub narzędziami chmurowymi do lifecycle management modeli. IaC: Terraform, Bicep lub Ansible. Możliwość świadczenia usług z terytorium Polski. Gotowość do pracy hybrydowej — 1 dzień w tygodniu z biura w Warszawie. Kompetencje miękkie: Wykształcenie techniczne. Podejście „Automation First”. Umiejętność pracy na styku Data Science i IT Operations. Proaktywność w rozwiązywaniu problemów i incydentów produkcyjnych. Mile widziane: Certyfikaty Azure (AZ‑400, AI‑102). Doświadczenie z LLM, RAG, wdrażaniem modeli GenAI. Prometheus, Grafana, Azure Monitor. Znajomość sieci w środowisku hybrydowym (VPN, VNet, Private Endpoints) Must have: MLOps, DevOps, Docker, Kubernetes, Helm, Charts, Ingress, Azure ML, AKS, ACR, GCP, AWS, Azure, CI/CD, Azure DevOps, GitHub Actions, Jenkins, ML SDK, MLflow, Kubeflow, IaC, Terraform, Bicep, Ansible Nice to have: AZ-400, AI-102, LLM, RAG, GenAI, Prometheus, Grafana, Azure Monitor, VPN, VNet, Private Endpoints