Machine Learning Engineer (wszystkie płcie)

Będziesz przekształcać modele i metody oparte na danych w niezawodne usługi. Nie chodzi tylko o jakość modelu, lecz także o powtarzalne przetwarzanie, stabilną inferencję i mierzalne zmiany po wydaniu. Wspólnie z zespołami oprogramowania i danych ocenisz, które modele i sposoby eksploatacji pasują do zadania.

Model może dobrze wypaść w eksperymencie, a mimo to zawieść w aplikacji. Sprawdzisz rozkład danych, przetwarzanie wstępne i rozdzielenie danych treningowych i testowych. Modele, konfiguracja i wersje danych są przejrzyście wersjonowane. Przy wydaniu porównasz jakość, zapotrzebowanie na zasoby i czas odpowiedzi. Monitoring powinien wykrywać zmienione dane wejściowe lub spadek jakości wyników; powrót do wcześniejszej wersji jest jawnie testowany.

• Wdrażanie powtarzalnych pipeline'ów treningu, walidacji i inferencji oraz zapewnianie przejrzystości wersji danych i modeli.
• Udostępnianie modeli jako usług; ocenianie zapotrzebowania na zasoby, przepustowości i czasów odpowiedzi za pomocą testów obciążeniowych.
• Definiowanie odpowiednich metryk jakości i baz porównawczych, wykrywanie wycieków danych i zrozumiałe dokumentowanie wyników.
• Projektowanie monitoringu jakości modeli i zmian danych oraz umożliwianie kontrolowanych aktualizacji i rollbacków.
• Łączenie wersji danych i modeli z metrykami testów, konfiguracją i artefaktami wydania.
• Sprawdzanie inferencji przy zmiennym obciążeniu i testowanie rollbacków modeli wraz z formatami wejściowymi.

Najważniejsze jest możliwe do wykazania doświadczenie istotne dla tej roli. Może wynikać z odpowiedniego wykształcenia zawodowego, studiów, praktyki zawodowej lub solidnego przebranżowienia. Konkretny zakres odpowiedzialności uzgodnimy odpowiednio do Twojej wiedzy.

• Praktyczne doświadczenie z Pythonem i solidne podstawy statystyki, oceny modeli i przygotowania danych.
• Doświadczenie z co najmniej jednym frameworkiem ML i udostępnianiem modeli jako aplikacji lub usług.
• Rozumienie testów automatycznych, kontroli wersji i czystego rozdzielenia treningu od ewaluacji.

Ta wiedza jest pomocna, ale nie musisz mieć jej całej jednocześnie. Opisz w aplikacji, w jakich obszarach masz już praktyczne doświadczenie i które tematy chcesz pogłębiać.

• Doświadczenie z MLOps, śledzeniem eksperymentów lub pipeline'ami cech.
• Znajomość inferencji GPU, kwantyzacji lub powtarzalnych środowisk kontenerowych.

Dostarczysz powtarzalne usługi modeli z udokumentowanymi ograniczeniami i przejrzystym rozwojem jakości. Lepszy wynik offline staje się wydaniem dopiero po sprawdzeniu zdolności operacyjnej i korzyści biznesowej.

W tej roli możliwa jest praca w Kolonii lub zdalnie. Przed rozpoczęciem wspólnie uzgodnimy konkretną formę współpracy, wymagania projektowe i ewentualne niezbędne spotkania u klientów.

W tej roli przewidziana jest umowa o pracę na pełny lub niepełny etat. Zadania, wymiar czasu pracy, termin rozpoczęcia i wynagrodzenie uzgodnimy odpowiednio do roli i Twojej wiedzy.

Pokaż nam w aplikacji, jakie doświadczenia lub zainteresowania wnosisz do tej roli. CV oraz odpowiednie przykłady projektów, świadectwa lub próbki pracy pomagają nam w ocenie merytorycznej. Nie przesyłaj poufnych danych klientów, danych dostępowych ani chronionego kodu źródłowego.

Podaj preferowany model pracy, możliwy termin rozpoczęcia oraz informację, czy chcesz pracować na pełny czy niepełny etat.

W razie pytań dotyczących roli skontaktuj się z naszym zespołem rekrutacji pod adresem hr@otoko.com. Dołączenie do bazy kandydatów jest dobrowolne i odbywa się wyłącznie za osobną zgodą; nie stanowi warunku rozpatrzenia aplikacji.