Wymagania

Technologie wymagane

Flask

Python

scikit-learn

TensorFlow

Pandas

GitLab

Jenkins

Nasze wymagania

Wykształcenie:

-Wyższe techniczne (informatyka, matematyka, analiza danych, ekonometria lub pokrewne kierunki)

Doświadczenie:

-Minimum 5 lat doświadczenia w projektach IT z wykorzystaniem Pythona, ML i AI

-Minimum 3 lata doświadczenia w pracy z bibliotekami ML/AI (scikit-learn, PyTorch, TensorFlow)

Umiejętności techniczne:

-Biegła znajomość Pythona i bibliotek do przetwarzania danych (Pandas, NumPy, Dask)

-Doświadczenie z NLP: Hugging Face, spaCy, Transformers

-Znajomość środowisk Big Data: PySpark, Spark MLlib

-Praktyczne doświadczenie w integracji modeli ML z backendem i API (REST API, gRPC)

-Znajomość konteneryzacji (Docker, Kubernetes) oraz narzędzi do zarządzania środowiskami ML (Jupyter, MLflow, Airflow)

-Doświadczenie z CI/CD (np. Jenkins, GitLab CI/CD)

-Umiejętność analizy danych i przekładania wymagań biznesowych na rozwiązania techniczne

-Doświadczenie w pracy z narzędziami do monitorowania i logowania (Grafana, Prometheus, MLflow, Weave)

Mile widziane: doświadczenie z LLM (GPT, Llama, BERT), znajomość bibliotek Hugging Face, LangChain, certyfikaty ML/AI

Umiejętności miękkie:

-Komunikatywność i umiejętność wyjaśniania złożonych kwestii technicznych w sposób zrozumiały

-Proaktywne podejście do problemów

-Umiejętność pracy w zespole interdyscyplinarnym

Język obcy:

-Znajomość języka angielskiego pozwalająca na pracę z dokumentacją techniczną

Mile widziane

• Doświadczenie z LLM (GPT, Llama, BERT), znajomość bibliotek Hugging Face, LangChain, certyfikaty ML/AI

Twój zakres obowiązków

• Projektowanie kompleksowej architektury rozwiązań ML/AI w Pythonie (scikit-learn, TensorFlow, PyTorch)
• Budowa skalowalnych pipeline'ów danych w PySpark i Spark MLlib, z integracją z systemami Big Data
• Implementacja modeli ML w środowiskach eksperymentalnych i produkcyjnych
• Tworzenie usług i API z wykorzystaniem FastAPI, Flask, REST API, gRPC
• Optymalizacja wydajności systemów ML/AI oraz zarządzanie infrastrukturą danych i modeli
• Integracja modeli ML z istniejącymi systemami bankowymi i aplikacjami backendowymi
• Współpraca z zespołami Data Science i Data Engineering przy wdrażaniu modeli
• Dokumentowanie architektury systemów, kodu i procesów wdrożeniowych
• Stosowanie praktyk MLOps oraz Continuous Delivery w projektach wdrożeniowych
• Udział w projektach realizowanych w metodyce Agile/Scrum