Twój zakres obowiązków

projektowanie, rozwój i utrzymanie infrastruktury MLOps/LLMOps oraz platformy AI
budowa skalowalnego środowiska do trenowania i serwowania modeli z wykorzystaniem Azure Machine Learning, Azure AI Foundry oraz Kubernetes/AKS
tworzenie i rozwój pipeline'ów CI/CD/CT, obejmujących automatyczne testowanie, trening oraz wersjonowanie danych i modeli z wykorzystaniem m.in. DVC i MLflow
przygotowywanie obrazów Docker oraz wdrażanie modeli AI/GenAI na klastrach Kubernetes
integracja środowiska chmurowego z systemami on-premise
rozwój monitoringu i observability modeli, w tym wykrywanie Data Drift i Model Drift, logowanie oraz alertowanie
wdrażanie rozwiązań wspierających audytowalność modeli, lineage danych, zarządzanie dostępem i bezpieczeństwo
optymalizacja kosztów, wydajności i czasu inferencji oraz skalowanie infrastruktury w zależności od obciążenia

Nasze wymagania

minimum 3 lata doświadczenia w obszarze DevOps, MLOps lub Software Engineering oraz doświadczenie z modelami ML działającymi na produkcji
bardzo dobra znajomość Docker i Kubernetes, w tym zarządzania klastrami, Helm Charts i Ingress
dobra znajomość Azure, szczególnie Azure ML, AKS i Azure Container Registry, lub doświadczenie z GCP/AWS i gotowość do szybkiego wejścia w Azure
doświadczenie w budowaniu pipeline'ów CI/CD z wykorzystaniem np. Azure DevOps, GitHub Actions lub Jenkins, również dla procesów ML
dobra znajomość Python oraz Bash/Shell
praktyczna znajomość narzędzi MLOps, takich jak MLflow, Kubeflow lub rozwiązania natywne chmury
znajomość Infrastructure as Code, np. Terraform, Bicep lub Ansible
wykształcenie wyższe techniczne, np. Informatyka, Telekomunikacja lub kierunek pokrewny
podejście Automation First i nastawienie na automatyzację manualnych procesów
umiejętność współpracy z zespołami Data Science i IT Operations
proaktywność w rozwiązywaniu problemów wydajnościowych i incydentów produkcyjnych

certyfikat Azure DevOps Engineer Expert (AZ-400) lub Azure AI Engineer (AI-102)
doświadczenie we wdrażaniu modeli LLM
znajomość narzędzi monitoringowych, takich jak Prometheus, Grafana lub Azure Monitor
znajomość zagadnień sieciowych w środowisku hybrydowym, m.in. VPN, VNet, Private Endpoints
znajomość baz wektorowych, np. w kontekście Azure AI Search