ML Ops Engineer | GCP | AdTech / Data Products

Nasz Klient to jedna z największych organizacji technologicznych w Europie, rozwijająca zaawansowane rozwiązania w obszarze e-commerce i marketplace na dużą skalę.

Projekt koncentruje się na budowie i utrzymaniu produkcyjnych systemów ML w obszarze advertising i systemów rekomendacyjnych, obsługujących miliony użytkowników i transakcji.

Must-have:

• Bardzo dobre fundamenty inżynierii oprogramowania oraz doświadczenie w tworzeniu skalowalnych i utrzymywalnych systemów
• Doświadczenie we wdrażaniu i utrzymaniu modeli ML w środowiskach produkcyjnych (monitoring, troubleshooting, automatyzacja)
• Zaawansowana znajomość MLOps, w tym automatyzacja cyklu życia modelu oraz CI/CD (Continuous Integration / Continuous Delivery)
• Praktyczne doświadczenie z GCP (Google Cloud Platform), w tym Vertex AI, BigQuery, Cloud Storage
• Bardzo dobra znajomość Python i SQL (Structured Query Language) w kontekście ML i przetwarzania danych
• Znajomość zasad DevOps oraz SRE (Site Reliability Engineering) w środowiskach produkcyjnych
• Umiejętność pracy z narzędziami wspieranymi przez AI w procesie developmentu
• Znajomość języka angielskiego na poziomie min. B2 oraz języka polskiego na poziomie native

Nice to have:

• Doświadczenie w obszarze AdTech, systemów rankingowych lub rekomendacyjnych
• Praca z rozproszonym przetwarzaniem danych (np. Vertex Pipelines, Dask, Spark)
• Znajomość architektury mikroserwisowej i systemów servingowych w chmurze
• Doświadczenie z feature store oraz zapewnianiem spójności train/serve

• Budową, wdrażaniem i utrzymaniem produkcyjnych systemów ML w obszarze rankingów, rekomendacji i advertisingu w środowisku o dużej skali
• Orkiestracją procesów MLOps, obejmujących pakowanie modeli, strategie wdrożeń, monitoring, alerting oraz zapewnienie długoterminowej stabilności systemów
• Współpracą z zespołami Data Science i Research w celu produkcyjnego wdrażania modeli i maksymalizacji ich wpływu biznesowego
• Projektowaniem i rozwijaniem pipeline’ów wdrożeniowych oraz mechanizmów CI/CD dla modeli ML
• Monitorowaniem jakości modeli, wydajności systemów oraz reagowaniem na incydenty produkcyjne
• Wdrażaniem dobrych praktyk DevOps i SRE (Site Reliability Engineering) w kontekście systemów ML