A Salve.Inno 2024-ben alapított, székhelye a lengyelországi Gdańskban található toborzó- és tanácsadó cég. Kis csapata személyre szabott toborzási stratégiákkal, globális távoli munkaerő-kereséssel, a jelöltek előszűrésével és karrieroldalakon kialakított toborzási megoldásokkal segíti a vállalkozásokat a munkatársak felvételében. A cég tanácsadás, marketing és logisztika területén dolgozik, valamint toborzási szakértelemmel rendelkezik marketing-, forex- és iGaming-pozíciók esetében. A Salve.Inno emellett kommunikációs, sokszínűségi, egyenlőségi és befogadási kérdésekben, továbbá hatékonyabb toborzási folyamatok kialakításában támogatja a szervezeteket, távoli munkalehetőségeket tesz közzé, és tanácsadási szolgáltatásokat nyújt a globális tehetségpiac számára.
Szenior gépi tanulási mérnök, alkalmazott MI- és MLOps-vezető
Vezessen éles környezetben működő MI-megoldásokat és MLOps-feladatokat egy nemzetközi szervezetnél. Formálja az előrejelző modelleket, az irányítási keretrendszert, a bevezetést és a skálázható gépitanulás-architektúrát.
Leírás
- Vállaljon felelősséget a gépi tanulási modellekért a fejlesztéstől az éles környezetben történő megfigyelésig és újratanításig.
- Vezessen alkalmazott MI-projekteket az ügyfél-élettartamérték, az ügyfélvesztés, a csalás és a visszaélések megelőzése területén.
- Építsen és fejlesszen MLOps-keretrendszereket, automatizált telepítéseket, CI/CD-folyamatokat, környezetek közötti előléptetést és modell-életcikluskezelést.
- Hozzon létre megfigyelést a modell teljesítményére, az adatelcsúszásra, az adatminőségre és az üzleti eredményekre vonatkozóan.
- Határozzon meg újratanítási stratégiákat, eszkalációs eljárásokat és folyamatos fejlesztési gyakorlatokat.
- Használjon SHAP-ot és jellemző-hozzájárulási módszereket a modellek átláthatóbbá és értelmezhetőbbé tételéhez.
- Határozzon meg szabványokat a modellirányításra, dokumentációra, verziókezelésre, reprodukálhatóságra és auditálhatóságra.
- Dolgozzon együtt az Adatmérnökség csapatával skálázható adatfolyamatokon, jellemzőmérnökségen és megbízható adat-infrastruktúrán.
- A Termék, a Kockázatkezelés, az Üzleti terület és más csapatok bevonásával alakítsa a kihívásokat gyakorlati, skálázható MI-megoldásokká.
- Vizsgálja felül az éles modellek teljesítményét a pontosság, a megbízhatóság és az üzleti hatás javítása érdekében.
- Tartsa fenn az éles környezet stabilitására, skálázhatóságára, karbantarthatóságára és működési hatékonyságára vonatkozó szabványokat.
- Irányítsa és mentorálja mérnök kollégáit.
- Hangolja össze a gyors MVP-szállítást a tartós éles üzemi megbízhatósággal és skálázhatósággal.
Követelmények
- Rendelkezzen 5–8 vagy több év szakmai tapasztalattal éles környezetben működő gépi tanulási modellek fejlesztésében, bevezetésében és karbantartásában.
- Rendelkezzen haladó Python-ismeretekkel és erős szoftvermérnöki alapokkal.
- Ismerje a gépi tanulási algoritmusokat, a modellek értékelését, a jellemzőmérnökséget és az előrejelző modellezést.
- Legyen gyakorlati tapasztalata az éles gépitanulás-rendszerek problémáival, például az adatszivárgással, a modell elcsúszásával, az adatminőséggel és a modell stabilitásával kapcsolatban.
- Rendelkezzen gyakorlati tapasztalattal az Apache Spark vagy a PySpark használatában elosztott számításokhoz és nagy léptékű adatfeldolgozáshoz.
- Használjon MLflow-t vagy hasonló platformot a gépi tanulási életciklus kezelésére.
- Tervezzen, valósítson meg és tartson karban CI/CD-folyamatokat, lehetőleg GitHub Actions használatával.
- Rendelkezzen haladó SQL-ismeretekkel és nagy, összetett adatkészletekkel szerzett tapasztalattal.
- Értse a modellbevezetést, a megfigyelést, az elcsúszás észlelését, az újratanítást és az éles üzemi karbantartást.
- Valósítson meg olyan módszereket, mint a SHAP, a modellek magyarázhatóságára és értelmezhetőségére.
- Szállítson olyan MI/ML-megoldásokat, amelyek mérhető üzleti vagy működési javulást eredményeztek.
- Értse a modellirányítás, a verziókezelés, a dokumentáció és a reprodukálhatóság követelményeit.
- Legyen képes skálázható, megbízható és könnyen karbantartható gépitanulás-architektúrák tervezésére.
- Rendelkezzen erős elemző gondolkodással és problémamegoldó készséggel.
- Tudjon összetett műszaki elképzeléseket világosan elmagyarázni a nem műszaki érintetteknek.
- Dolgozzon együtt különböző csapatokkal, például az Adatmérnökség, a Termék, a Kockázatkezelés és az Üzleti terület csapataival.
- Hangolja össze a gyors fejlesztést és az MVP-szállítást a megalapozott éles üzemi mérnöki munkával.
- Mutasson vezetői készséget mentorálással, műszaki befolyással és mérnöki bevált gyakorlatokkal.
- Dolgozzon proaktívan, önállóan és eredményorientáltan az MI-megoldások szállításán.
Juttatások
- Tapasztalathoz és képesítésekhez igazodó versenyképes javadalmazás.
- Átfogó munkavállalói képzési és szakmai fejlődési programok.
- Lehetőség nagy hatású MI- és gépitanulási kezdeményezések vezetésére.
- Betekintés fejlett gépitanulási technológiákba és korszerű MLOps-gyakorlatokba.
- Nemzetközi munkakörnyezet, több szakterületet összekapcsoló együttműködéssel.
- Vállalati, csapat- és csoportesemények.
- Születésnapi és hűségjuttatások.
- Szakmai fejlődési és műszaki vezetői lehetőségek.
- További munkavállalói juttatások és ösztönzők.