Udział w projektowaniu i wdrażaniu nowoczesnej Platformy Analitycznej (Azure Databricks), która będzie używana przez zespoły Data Science do trenowania, wdrażania i monitorowania modeli ML i innych produktów analitycznych w sposób skalowalny, bezpieczny i zgodny z najlepszymi praktykami chmurowymi.

• Wypracowanie, wdrożenie i utrzymanie wydajnych i skalowalnych procesów CI/CD 
• Budowa systemu wspierającego monitorowanie działania modeli w czasie rzeczywistym, wykrywania anomalii oraz zarządzania ich wersjami 
• Znajomość, umiejętność testowania w całym procesie ML 
• Współpraca z zespołami Data Science w zakresie wdrażania praktyk MLOps na platformie w chmurze, w tym automatyzacje pipeline'ów, wersjonowanie, CI/CD, automatyzacje testów  
• Optymalizacja infrastruktury pod kątem kosztów oraz wsparcie zespołów Data Science w optymalizowaniu kosztów rozwiązań  
• Wsparcie w rozwiązywaniu problemów i zarządzaniu incydentami
• Współpraca z Architektami korporacyjnymi i właścicielami innych systemów w zakresie integracji rozwiązań ML osadzonych na Platformie Analitycznej z systemami biznesowymi
• Opracowanie standardów i najlepszych praktyk dotyczących korzystania z Platformy Analitycznej i jej integracji 
• Zapewnienie zgodności z politykami bezpieczeństwa i Data Gov 

• Bogate (min. kilkuletnie) doświadczenie zawodowe w MLOps, znajomość najlepszych praktyk w zakresie tworzenia oprogramowania, w tym testowania, ciągłej integracji i narzędzi DevOps 
• Biegła znajomość środowiska chmury Azure i Databricks, w tym jego konfiguracji i utrzymania jako platformy ML 
• Zaawansowane umiejętności programistyczne, szczególnie w językach takich jak Python, SQL. Doświadczenie z R będzie dodatkowym atutem 
• Dobre zrozumienie cyklu życia modeli ML jest niezbędne (od ich trenowania po wdrożenie, monitorowanie i wycofywanie) 
• Praktyczne doświadczenie w budowaniu modeli oraz we wdrażaniu cyklu uczenia maszynowego na dużą skalę w złożonym środowisku. Praktyczne doświadczenie w projektowaniu i pracy z Feature Store. 
• Biegłość w technologii konteneryzacji i orkiestracji, w tym Docker i Kubernetes.  
• Praktyczna znajomość MLFlow, Rest API, Spark 
• Znajomość narzędzi i procesów związanych z wersjonowaniem, CI/CD i automatyzacją 
• Doświadczenie z Terraform będzie dodatkowym atutem 
• Doświadczenie w projektach AI będzie dodatkowym atutem 
• Umiejętności analityczne, komunikacyjne, umiejętność pracy w zespołach interdyscyplinarnych