Parser, 2018 yılında kurulmuş bir teknoloji çözümleri ve danışmanlık şirketidir. Kuruluş, karmaşık iş ihtiyaçlarına yönelik yapay zekâ, veri ve yazılım mühendisliği uygulamalarında kurumlara destek olur. Çalışma alanları arasında özel yazılım geliştirme, yapay zekâ ve verilerden yararlanma, ürün tasarımı ve dijital dönüşüm danışmanlığı yer alır. Parser, teknoloji liderleriyle iş birliği yaparak hedeflerine uygun, değişen koşullara uyum sağlayabilen çözümler geliştirir; mühendislik uzmanlığını pratik yeniliklere ve uzun vadeli müşteri ortaklıklarına odaklanmayla birleştirir.
Kıdemli Backend Mühendisi, MLOps
Küresel bir seyahat sektörü lideri için veri hatları, model dağıtımı ve gerçek zamanlı makine öğrenimi sistemleri dahil ölçeklenebilir MLOps altyapısı geliştirin. Parser’ın İspanya’daki hibrit ekibine katılın.
Açıklama
- Makine öğrenimi eğitimi, dağıtımı ve toplu ya da gerçek zamanlı sunum için ölçeklenebilir altyapı geliştirin.
- Büyük ölçekli işleme ve özellik mühendisliği için veri hatları oluşturun ve bunların bakımını yapın.
- ML sistemlerinde işlem kaynaklarının kullanımını optimize edin ve model sunum performansını iyileştirin.
- ML sistemleri için izleme, günlük kaydı ve uyarı mekanizmaları kurun.
- CI/CD hatları dahil makine öğrenimi operasyonları uygulamalarının geliştirilmesine katkıda bulunun.
- Modelleri geliştirme aşamasından üretime taşımak için veri bilimcileriyle iş birliği yapın.
- Yeni teknolojileri değerlendirin ve entegre edin.
- Mentorluk yaparak genç mühendislere rehberlik edin.
- Teknik çözümleri farklı paydaşlara açıklayın.
Gereksinimler
- Bilgisayar bilimi, yazılım mühendisliği veya ilgili bir teknik alanda lisans ya da yüksek lisans derecesi.
- Yazılım, veri veya makine öğrenimi mühendisliği rollerinde genellikle 6–7 yıl deneyim.
- Güçlü problem çözme becerisi.
- Java’da yetkinlik; Python bilgisi tercih sebebidir.
- Makine öğrenimi algoritmaları ve model mimarileri hakkında bilgi.
- Ölçeklenebilir ve güvenilir makine öğrenimi sistemleri geliştirme deneyimi.
- AWS gibi bulut platformlarına aşinalık.
- Docker veya başka konteynerleştirme araçlarıyla deneyim.
- Spark veya Kafka gibi ölçeklenebilir veri sistemleriyle deneyim.
- GitHub Actions gibi CI/CD araçlarına aşinalık.
- MLflow gibi model sunum teknolojilerine aşinalık.
- Ekipler arasında etkili biçimde çalışabilme.
Yan Haklar
- Bilgi paylaşımına ve sürekli öğrenmeye önem veren, samimi ve iş birliğine açık ekip.
- Sonuç odaklı çalışma kültürü.
- Java, Python, AWS, Docker, Kafka, Spark ve MLflow gibi teknolojilerle gerçek zamanlı sistemler için MLOps ve makine öğrenimi altyapısı geliştirme fırsatı.