Senior MLOps mérnök

Stack

Feladatok

• ▹Végponttól végpontig tartó MLOps pipeline-ok építése és automatizálása Amazon SageMaker Pipelines és MLflow segítségével: kísérletkövetés, modellverziózás, regisztry-életciklus
• ▹Éles SageMaker inference végpontok (valós idejű, serverless, batch) és Amazon Bedrock API-integrációk üzemeltetése LLM/SLM-ekhez, költségkontrollal és késleltetés-optimalizálással
• ▹AgentOps / LLMOps keretrendszerek (AgentCore, Bedrock Guardrails, Promptfoo) bevezetése többágenses orkesztrációhoz, prompt-kiértékeléshez, biztonsági korlátokhoz és RAG-pipeline-okhoz
• ▹Valós idejű STT / TTS voicebot-pipeline-ok és alacsony késleltetésű beszédfelismerési inference üzemeltetése hibrid/felhős GPU-csomópontokon
• ▹Speciális GPU-csomópont-poolok (NVIDIA A100/L40S, EC2 GPU) optimalizálása azeri SLM/LLM modellek tanításához, finomhangolásához és skálázható inferenciájához
• ▹Automatizált ML CI/CD kiépítése GitLab CI/CD-vel és Infrastructure-as-Code-dal (Terraform vagy AWS CDK), biztonsági kapukkal a produkcióba lépéshez
• ▹Adat-de-identifikáció, Format Preserving Encryption (FPE) és tokenizálás integrálása az ML adatpipeline-okba, hogy nyers PII ne kerüljön az AWS felhőbe
• ▹Telemetria, teljesítménymonitoring, modell-drift detektálás és költségriasztás felállítása Amazon CloudWatch, Splunk és FinOps keretrendszerek segítségével
• ▹Együttműködés az adatmérnöki, AI-architekt és felhős csapatokkal a vektortárolás/RAG, az Apache Spark/EMR-on-EKS futtatókörnyezetek és a helyi tokenizációs adatbázisok integrálásában
• ▹MLOps runbookok, modell-telepítési eljárások, governance-dokumentáció és katasztrófa-helyreállítási forgatókönyvek írása

Elvárások

• ▹4+ év gyakorlati tapasztalat MLOps, DataOps vagy platformmérnöki területen, elsősorban vállalati Amazon SageMakerrel (Pipelines, Feature Store, Model Registry, Endpoints)
• ▹Bizonyított tapasztalat generatív AI, LLM/SLM modellek és Amazon Bedrock szolgáltatások üzemeltetésében, ágens-keretrendszerekkel és RAG-pipeline-okkal
• ▹Gyakorlati szakértelem MLflow-val: kísérletkövetés, modell-regisztry, életciklus-kezelés
• ▹Komoly tapasztalat GPU-optimalizálásban és -orkesztrációban (NVIDIA A100/L40S, AWS EC2 GPU-példányok) modelltanításhoz és finomhangoláshoz

A munkáltatóról

Az ügyfél Azerbajdzsán legnagyobb mobilhálózat-üzemeltetője, amely vezetékes és mobiltelefónia, internet, vezeték nélküli szélessáv és értéknövelt szolgáltatások nyújtója.