
Parser เป็นบริษัทโซลูชันเทคโนโลยีและที่ปรึกษาซึ่งก่อตั้งขึ้นในปี 2018 โดยช่วยให้องค์กรต่าง ๆ ประยุกต์ใช้ปัญญาประดิษฐ์ ข้อมูล และวิศวกรรมซอฟต์แวร์เพื่อรับมือกับความต้องการทางธุรกิจที่ซับซ้อน งานของบริษัทครอบคลุมการพัฒนาซอฟต์แวร์ตามความต้องการ การนำ AI และข้อมูลมาใช้ การออกแบบผลิตภัณฑ์ และการให้คำปรึกษาด้านการเปลี่ยนผ่านสู่ดิจิทัล Parser ทำงานร่วมกับผู้นำด้านเทคโนโลยีเพื่อสร้างโซลูชันที่ปรับเปลี่ยนได้และสอดคล้องกับเป้าหมายของแต่ละองค์กร โดยผสานความเชี่ยวชาญด้านวิศวกรรมเข้ากับการมุ่งเน้นนวัตกรรมที่นำไปใช้ได้จริงและความร่วมมือกับลูกค้าในระยะยาว
วิศวกรแบ็กเอนด์อาวุโส, MLOps
สร้างโครงสร้างพื้นฐาน MLOps ที่ขยายระบบได้ให้กับผู้นำระดับโลกในอุตสาหกรรมการท่องเที่ยว ครอบคลุมไปป์ไลน์ข้อมูล การนำโมเดลไปใช้งาน และระบบแมชชีนเลิร์นนิงแบบเรียลไทม์ ร่วมงานกับทีมไฮบริดของ Parser ในสเปน
รายละเอียด
- พัฒนาโครงสร้างพื้นฐานที่ขยายระบบได้สำหรับการฝึก การนำไปใช้งาน และการให้บริการโมเดลแมชชีนเลิร์นนิงทั้งแบบแบตช์และแบบเรียลไทม์
- สร้างและดูแลไปป์ไลน์ข้อมูลสำหรับการประมวลผลขนาดใหญ่และการสร้างฟีเจอร์
- ปรับการใช้ทรัพยากรประมวลผลให้เหมาะสม และเพิ่มประสิทธิภาพการให้บริการโมเดลในระบบแมชชีนเลิร์นนิง
- ตั้งค่าการมอนิเตอร์ การบันทึกล็อก และการแจ้งเตือนสำหรับระบบแมชชีนเลิร์นนิง
- ช่วยพัฒนาแนวปฏิบัติด้านการปฏิบัติการแมชชีนเลิร์นนิง รวมถึงไปป์ไลน์ CI/CD
- ทำงานร่วมกับนักวิทยาศาสตร์ข้อมูลเพื่อนำโมเดลจากขั้นพัฒนาไปสู่การใช้งานจริง
- ประเมินและผสานรวมเทคโนโลยีใหม่
- ให้คำแนะนำและดูแลวิศวกรระดับต้น
- อธิบายโซลูชันทางเทคนิคแก่ผู้มีส่วนเกี่ยวข้องหลายกลุ่ม
คุณสมบัติ
- สำเร็จการศึกษาระดับปริญญาตรีหรือปริญญาโทด้านวิทยาการคอมพิวเตอร์ วิศวกรรมซอฟต์แวร์ หรือสาขาเทคนิคที่เกี่ยวข้อง
- โดยทั่วไปมีประสบการณ์ 6–7 ปีในตำแหน่งด้านวิศวกรรมซอฟต์แวร์ ข้อมูล หรือแมชชีนเลิร์นนิง
- มีทักษะการแก้ปัญหาที่ดี
- เชี่ยวชาญ Java; หากรู้ Python จะได้รับการพิจารณาเป็นพิเศษ
- เข้าใจอัลกอริทึมแมชชีนเลิร์นนิงและสถาปัตยกรรมโมเดล
- มีประสบการณ์พัฒนาระบบแมชชีนเลิร์นนิงที่ขยายระบบได้และเชื่อถือได้
- มีประสบการณ์กับแพลตฟอร์มคลาวด์ เช่น AWS
- มีประสบการณ์กับ Docker หรือเทคโนโลยีคอนเทนเนอร์อื่นๆ
- มีประสบการณ์กับระบบข้อมูลที่ขยายระบบได้ เช่น Spark หรือ Kafka
- คุ้นเคยกับเครื่องมือ CI/CD เช่น GitHub Actions
- คุ้นเคยกับเทคโนโลยีให้บริการโมเดล เช่น MLflow
- สามารถทำงานร่วมกับทีมต่างๆ ได้อย่างมีประสิทธิภาพ
สวัสดิการ
- ทีมงานเป็นมิตรและร่วมมือกัน ให้ความสำคัญกับการแบ่งปันความรู้และการเรียนรู้อย่างต่อเนื่อง
- วัฒนธรรมการทำงานที่เน้นการลงมือทำ
- โอกาสสร้างโครงสร้างพื้นฐาน MLOps และแมชชีนเลิร์นนิงสำหรับระบบเรียลไทม์ โดยใช้เทคโนโลยีอย่าง Java, Python, AWS, Docker, Kafka, Spark และ MLflow