Parser je technologická a poradenská společnost založená v roce 2018. Pomáhá organizacím využívat umělou inteligenci, data a softwarové inženýrství k řešení komplexních obchodních potřeb. Zaměřuje se na vývoj softwaru na míru, využití umělé inteligence a dat, produktový design a poradenství v oblasti digitální transformace. Parser spolupracuje s technologickými lídry na tvorbě flexibilních řešení přizpůsobených jejich cílům a propojuje inženýrské zkušenosti s praktickým přístupem k inovacím a důrazem na dlouhodobá partnerství s klienty.
Seniorní backendový inženýr, MLOps
Budujte škálovatelnou infrastrukturu MLOps pro světového lídra v cestovním ruchu, včetně datových pipeline, nasazování modelů a systémů strojového učení v reálném čase. Připojte se k hybridnímu týmu Parser ve Španělsku.
Popis
- Vyvíjejte škálovatelnou infrastrukturu pro trénování modelů strojového učení, jejich nasazování a dávkové nebo průběžné poskytování predikcí.
- Vytvářejte a spravujte datové pipeline pro zpracování velkých objemů dat a tvorbu příznaků.
- Optimalizujte využití výpočetních zdrojů a zvyšujte výkon obsluhy modelů napříč systémy strojového učení.
- Nastavujte monitorování, logování a upozornění pro systémy strojového učení.
- Pomáhejte rozvíjet provozní postupy pro strojové učení včetně CI/CD pipeline.
- Spolupracujte s datovými vědci na přesunu modelů z vývoje do produkce.
- Vyhodnocujte a integrujte nové technologie.
- Veďte a podporujte juniorní inženýry formou mentoringu.
- Vysvětlujte technická řešení zainteresovaným stranám s různou úrovní znalostí.
Požadavky
- Bakalářský nebo magisterský titul v oboru informatiky, softwarového inženýrství nebo příbuzném technickém oboru.
- Obvykle 6–7 let zkušeností v rolích zaměřených na softwarové, datové nebo ML inženýrství.
- Dobré schopnosti řešit problémy.
- Pokročilá znalost Javy; znalost Pythonu je výhodou.
- Porozumění algoritmům strojového učení a architekturám modelů.
- Zkušenosti s vývojem škálovatelných a spolehlivých systémů strojového učení.
- Zkušenosti s cloudovými platformami, jako je AWS.
- Zkušenosti s Dockerem nebo jinými nástroji pro kontejnerizaci.
- Zkušenosti se škálovatelnými datovými systémy, jako jsou Spark nebo Kafka.
- Znalost nástrojů CI/CD, jako je GitHub Actions.
- Znalost technologií pro obsluhu modelů, jako je MLflow.
- Schopnost efektivně spolupracovat napříč týmy.
Benefity
- Přátelský tým, který spolupracuje, sdílí znalosti a podporuje průběžné učení.
- Pracovní kultura zaměřená na akci.
- Možnost budovat infrastrukturu MLOps a strojového učení pro systémy v reálném čase s využitím technologií, jako jsou Java, Python, AWS, Docker, Kafka, Spark a MLflow.