Czym będziesz się zajmować? Udział w projektowaniu i wdrażaniu nowoczesnej Platformy Analitycznej (Azure Databricks), która będzie używana przez zespoły Data Science do trenowania, wdrażania i monitorowania modeli ML i innych produktów analitycznych w sposób skalowalny, bezpieczny i zgodny z najlepszymi praktykami chmurowymi.Zakres odpowiedzialności: Wypracowanie, wdrożenie i utrzymanie wydajnych i skalowalnych procesów CI/CD Budowa systemu wspierającego monitorowanie działania modeli w czasie rzeczywistym, wykrywania anomalii oraz zarządzania ich wersjami Znajomość, umiejętność testowania w całym procesie ML Współpraca z zespołami Data Science w zakresie wdrażania praktyk MLOps na platformie w chmurze, w tym automatyzacje pipeline'ów, wersjonowanie, CI/CD, automatyzacje testów  Optymalizacja infrastruktury pod kątem kosztów oraz wsparcie zespołów Data Science w optymalizowaniu kosztów rozwiązań  Wsparcie w rozwiązywaniu problemów i zarządzaniu incydentamiWspółpraca z Architektami korporacyjnymi i właścicielami innych systemów w zakresie integracji rozwiązań ML osadzonych na Platformie Analitycznej z systemami biznesowymiOpracowanie standardów i najlepszych praktyk dotyczących korzystania z Platformy Analitycznej i jej integracji Zapewnienie zgodności z politykami bezpieczeństwa i Data Gov 

Kogo poszukujemy? Wymagania: Bogate (min. kilkuletnie) doświadczenie zawodowe w MLOps, znajomość najlepszych praktyk w zakresie tworzenia oprogramowania, w tym testowania, ciągłej integracji i narzędzi DevOps Biegła znajomość środowiska chmury Azure i Databricks, w tym jego konfiguracji i utrzymania jako platformy ML Zaawansowane umiejętności programistyczne, szczególnie w językach takich jak Python, SQL. Doświadczenie z R będzie dodatkowym atutem Dobre zrozumienie cyklu życia modeli ML jest niezbędne (od ich trenowania po wdrożenie, monitorowanie i wycofywanie) Praktyczne doświadczenie w budowaniu modeli oraz we wdrażaniu cyklu uczenia maszynowego na dużą skalę w złożonym środowisku. Praktyczne doświadczenie w projektowaniu i pracy z Feature Store. Biegłość w technologii konteneryzacji i orkiestracji, w tym Docker i Kubernetes.  Praktyczna znajomość MLFlow, Rest API, Spark Znajomość narzędzi i procesów związanych z wersjonowaniem, CI/CD i automatyzacją Doświadczenie z Terraform będzie dodatkowym atutem Doświadczenie w projektach AI będzie dodatkowym atutem Umiejętności analityczne, komunikacyjne, umiejętność pracy w zespołach interdyscyplinarnych