Machine Learning Engineer (tüm cinsiyetler)

Modelleri ve veriye dayalı yöntemleri güvenilir hizmetlere dönüştüreceksin. Yalnızca model kalitesi değil, tekrarlanabilir işleme, kararlı inferans ve bir sürümden sonra ölçülebilir değişiklikler de önemlidir. Yazılım ve veri ekipleriyle hangi modellerin ve işletim biçimlerinin göreve uygun olduğunu değerlendireceksin.

Bir model deneyde iyi sonuç alıp uygulamada yine de başarısız olabilir. Veri dağılımını, ön işlemeyi ve eğitim verileriyle test verilerinin ayrımını kontrol edeceksin. Modeller, yapılandırma ve veri sürümleri izlenebilir biçimde sürümlenir. Sürümde kaliteyi, kaynak ihtiyacını ve yanıt süresini karşılaştıracaksın. İzleme, değişen girdi verilerini veya düşen sonuç kalitesini algılamalıdır; önceki bir sürüme dönüş açıkça test edilir.

• Eğitim, doğrulama ve inferans pipeline'larını tekrarlanabilir biçimde uygulamak ve veri durumlarıyla model sürümlerini izlenebilir kılmak.
• Modelleri hizmet olarak sunmak; kaynak ihtiyacını, throughput'u ve yanıt sürelerini yük testleriyle değerlendirmek.
• Uygun kalite metrikleri ve karşılaştırma baseline'ları tanımlamak, veri sızıntılarını fark etmek ve sonuçları anlaşılır biçimde belgelemek.
• Model kalitesi ve veri değişiklikleri için izleme tasarlamak ve kontrollü güncellemelerle rollback'leri mümkün kılmak.
• Veri ve model sürümlerini test metrikleri, yapılandırma ve sürüm artefaktlarıyla ilişkilendirmek.
• Değişen yük altında inferansı kontrol etmek ve girdi formatları dahil model rollback'lerini test etmek.

Önemli olan, rolle ilgili ve anlaşılır biçimde ortaya konabilen deneyimdir. Bu deneyim uygun bir mesleki eğitimden, üniversite öğreniminden, iş pratiğinden veya sağlam bir kariyer değişikliğinden gelebilir. Somut sorumluluğu bilgi düzeyine göre birlikte belirleriz.

• Pratik Python deneyimi ve istatistik, model değerlendirmesi ve veri hazırlama konusunda sağlam temeller.
• En az bir ML framework'ünde ve modelleri uygulama veya hizmet olarak sunmada deneyim.
• Otomatik testler, sürüm kontrolü ve eğitimle değerlendirmeyi temiz ayırma hakkında anlayış.

Bu bilgiler faydalıdır ancak hepsinin aynı anda bulunması gerekmez. Başvurunda hangi alanlarda pratik çalıştığını ve hangi konuları derinleştirmek istediğini açıkla.

• MLOps, deney takibi veya feature pipeline'larında deneyim.
• GPU inferansı, niceleme veya tekrarlanabilir konteyner ortamları bilgisi.

Belgelenmiş sınırlara ve izlenebilir kalite gelişimine sahip tekrarlanabilir model hizmetleri sunacaksın. Daha iyi bir çevrimdışı skor, ancak işletilebilirlik ve iş faydası da kontrol edildiğinde sürüme dönüşür.

Bu rol için Köln ve uzaktan çalışma mümkündür. Somut iş birliği biçimini, proje gereksinimlerini ve gerekirse zorunlu müşteri toplantılarını başlamadan önce birlikte kararlaştırırız.

Bu rol için tam zamanlı veya yarı zamanlı kadrolu istihdam öngörülmektedir. Görevleri, çalışma saatlerini, başlangıç tarihini ve ücreti role ve bilgi düzeyine uygun biçimde birlikte belirleriz.

Başvurunda bu role hangi deneyimleri veya ilgi alanlarını getirdiğini göster. Özgeçmişin ile ilgili proje örnekleri, sertifikalar veya çalışma örnekleri mesleki değerlendirmemize yardımcı olur. Lütfen gizli müşteri verilerini, erişim bilgilerini veya korunan kaynak kodunu gönderme.

İstediğin çalışma modelini, başlayabileceğin tarihi ve tam zamanlı mı yarı zamanlı mı çalışmak istediğini belirt.

Role ilişkin soruların için işe alım ekibimize hr@otoko.com adresinden ulaşabilirsin. Aday havuzuna dahil edilmek gönüllüdür ve yalnızca ayrı bir onayla gerçekleşir; başvurunun değerlendirilmesi için koşul değildir.