DevOps / MLOps Engineer

Opis stanowiskaDołączysz do organizacji, w której zespoły Data Science i AI budują rozwiązania oparte o modele ML i LLM — od klasycznych pipeline'ów predykcyjnych po systemy agentowe. Twoją rolą będzie zapewnienie im solidnego fundamentu inżynierskiego: infrastruktury, automatyzacji i standardów, dzięki którym modele i aplikacje AI trafiają na produkcję szybko, powtarzalnie i bezpiecznie.To rola na styku DevOps i MLOps, z dużą samodzielnością i realnym wpływem na architekturę. Będziesz właścicielem infrastruktury jako kodu, pipeline'ów CI/CD, obrazów kontenerowych i decyzji architektonicznych.

Zamiast gasić pożary — będziesz projektować platformę tak, żeby pożarów było jak najmniej: przez automatyzację, standaryzację wdrożeń, monitoring i hardening środowisk.Jeśli lubisz pracować blisko zespołów data science, tłumaczyć potrzeby ML na architekturę infrastruktury i podnosić dojrzałość operacyjną organizacji — ta rola jest dla Ciebie.Zakres obowiązkówProjektowanie, wdrażanie i utrzymanie infrastruktury dla workloadów DS/AI (trening, serwowanie modeli, aplikacje LLM, przetwarzanie danych)Budowa i rozwój pipeline'ów CI/CD (GitHub Actions) dla aplikacji i modeli — od buildu obrazów, przez testy, po automatyczne wdrożeniaUtrzymanie i rozwój kodu infrastruktury (Terraform), chartów Helm i manifestów KubernetesStandaryzacja i automatyzacja procesu wdrażania modeli i usług AI na produkcję (konteneryzacja, wersjonowanie, rollback)Zapewnienie niezawodności i skalowalności środowisk: autoskalowanie, HA, zarządzanie zasobami (w tym GPU), optymalizacja kosztówBezpieczeństwo platformy: RBAC, Network Policies, zarządzanie sekretami i certyfikatami, tożsamość, izolacja środowiskWdrażanie i rozwój observability (OpenTelemetry, Prometheus, Grafana): metryki, logi, tracing, alerting — także dla usług MLWsparcie zespołów DS/AI w codziennej pracy: debugowanie, code review infrastruktury, dobre praktyki, dokumentacjaWspółudział w decyzjach architektonicznych dotyczących platformy danych i AI w organizacjiWymaganiaMin. 5 lat doświadczenia w obszarze DevOps / platform engineering / SREProdukcyjne doświadczenie z Kubernetes: Deployments, Services, HPA, RBAC, ConfigMaps/Secrets, CRDs, Network Policies, operatoryInfrastructure as Code: Terraform (preferowany) lub równoważne narzędzie; Helm dla workloadów klastrowychDoświadczenie z CI/CD (GitHub Actions lub podobne)Produkcyjne doświadczenie z co najmniej jedną chmurą publiczną (AWS / GCP / Azure): IAM, networking, usługi kontenerowe, managed databasesProgramowanie w Pythonie na poziomie pozwalającym na budowę narzędzi, automatyzacji i współpracę z kodem zespołów DSDoświadczenie z observability: OpenTelemetry / Prometheus / GrafanaSprawne debugowanie i operacje produkcyjne (kubectl, eventy, logi)Podstawy zarządzania danymi i projektowania pod stabilne, skalowalne workloadyUmiejętność współpracy z zespołami nietechnicznymi po stronie infrastruktury (DS/analitycy) i tłumaczenia ich potrzeb na rozwiązaniaMile widzianeDoświadczenie MLOps: MLflow, model registry, feature store, serwowanie modeli (KServe, Seldon, vLLM, Triton), orkiestracja pipeline'ów ML (Airflow, Kubeflow, Prefect)Doświadczenie z infrastrukturą dla LLM: GPU scheduling, inference serving, zarządzanie kosztami APIGitOps w praktyce: Argo CD lub FluxArchitektury multi-tenant i izolacja środowisk dla wielu zespołówService mesh / izolacja sieciowa (Istio, traffic policies)Zasady supply-chain security (podpisywanie obrazów, SBOM, skanowanie zależności)Crossplane / KubeVelaZnajomość ekosystemu danych (Spark, Delta Lake, platformy typu Databricks / Microsoft Fabric)Oferujemy: Roczny budżet na kursy i szkolenia.Elastyczne środowisko pracy - 100% zdalnie.Dofinansowanie do karty Multisport.Solidne wsparcie merytoryczne i praktyczne – jesteśmy oddani ciągłemu uczeniu się.Pracę w szybko rozwijającej się branży związanej z AI, ML i Data Science.