Senior I ML/CV mérnök

Stack

Feladatok

• ▹Prediktív modellek (késés- és időtartam-előrejelzés, torlódás-előrejelzés, költségbecslés, anomáliadetektálás) átvitele a kísérletből a rendszeres üzemeltetésbe
• ▹Feature-pipeline-ok építése és karbantartása a kurált adatréteg fölött, a modellbemenetek és származásuk dokumentált katalógusával
• ▹Reprodukálható tanítóhalmazok tábla-verziózással és a korábbi adatállapotok elérésével
• ▹Batch és közel valós idejű inferencia futtatása platformfeladatként a meglévő függőségekbe és ütemezésekbe illesztve
• ▹Modellek közzététele végpontként az alkalmazás számára, a késleltetés és a hívásonkénti költség figyelése
• ▹Kiadási fegyelem: verziózás, újratanítás, visszaállítás, modellek léptetése a környezetek között
• ▹Minőségfelügyelet, drift-detektálás a bemeneteken és kimeneteken, bemeneti validáció és magyarázhatósági támogatás

Elvárások

• ▹Éles szintű Python és PySpark, magabiztos Spark SQL
• ▹Databricks fejlesztési és üzemeltetési mélységben: jobok és orkesztráció függőségekkel, job clusterek és cluster policy-k, hordozható projektcsomagok, verziókezelő-integráció
• ▹Unity Catalog: jogosultságok táblákon és modelleken, lineage, környezetek elkülönítése katalógusokkal
• ▹Működő Delta Lake-ismeret: táblaverziók és time travel, change data feed, optimalizálás, az adatelrendezés hatása a feature-olvasás teljesítményére
• ▹MLflow: kísérletkövetés, modellregiszter, verzióléptetés, modellek közzététele végpontként
• ▹Feature-tárolás és újrahasznosítás, következetes számítás tanításkor és inferenciakor
• ▹Gyakorlati tapasztalat modellek éles üzemeltetésében: monitorozás, drift, újratanítás, incidensek, visszaállítás
• ▹Idősor- és előrejelzési módszerek
• ▹Git, CI/CD, konténerek, titkok biztonságos kezelése

Előny

• ▹A platform beépített adat- és modellminőség-monitorozása
• ▹Éles ML Azure-on és integráció felhőszolgáltatásokkal
• ▹A platform fogyasztási modelljének és az ismétlődő jobok költségoptimalizálásának ismerete
• ▹Geotérinformatikai jellemzők és útvonaladatok
• ▹Olyan környezetek, ahol a modellnek magyarázhatónak kell lennie üzleti döntéshozók és auditorok számára
• ▹Szállítmányozás, logisztika vagy ellátási lánc

A munkáltatóról

A Softeq 1997-ben alakult, új termékek fejlesztésére és K+F-re specializálódott, emellett korai fázisú innovációt és digitális transzformációs tanácsadást is kínál globális szinten.