Staff ML Ops mérnök

Stack

Feladatok

• ▹A Preply ML-platformjának technikai víziója és ütemterve, amely több csapat, termék és üzletág növekvő ML- és GenAI-igényét kiszolgálja
• ▹A platform képességeinek architektúrája a teljes ML-életciklusra: kísérletezés, feature engineering, artefaktumkezelés, tanítás, telepítés, monitorozás, újratanítás, governance
• ▹Felhőnatív infrastruktúra tervezése elosztott tanításhoz és inferenciához: GPU-s környezetek, autoscaling, munkaterhelés-izoláció, kiadási stratégiák, költségoptimalizálás
• ▹A CI/CD for ML technikai irányának kijelölése: tesztelés, validáció, biztonsági és teljesítmény-ellenőrzések beépítése a telepítési csővezetékekbe
• ▹Megfigyelhetőségi standardok kialakítása ML-rendszerekhez: modellmetrikák, szolgáltatás-egészség, riasztások, drift-észlelés, adatminőség, lineage, üzleti hatás monitorozása
• ▹A GenAI- és LLM-platform továbbfejlesztése: LLM Gateway szolgáltatások, vektoros keresési infrastruktúra, prompt-kísérletezés, kiértékelési keretrendszerek, késleltetésre optimalizált inferencia, megbízható modellkiszolgálási minták
• ▹Együttműködés az Applied Science és Data vezetőkkel, terméktulajdonosokkal és mérnöki csapatokkal a platformberuházások összehangolására
• ▹Platform-absztrakciók, belső könyvtárak, sablonok és self-service eszközök tervezése ML-tudósoknak és mérnököknek
• ▹Senior mérnökök mentorálása, az architektúra befolyásolása, a standardok emelése
• ▹Az ML-kutatástól az éles üzemig vezető út szűk keresztmetszeteinek felszámolása

Elvárások

• ▹9+ év mérnöki tapasztalat, jelentős mélységgel nagy léptékű ML-, adat-, infrastruktúra- vagy platformrendszerekben
• ▹Bizonyított képesség produkciós minőségű ML-platformok tervezésére és skálázására, amelyek sok csapatot, munkafolyamatot és ML-felhasználási esetet támogatnak
• ▹Mély ismeret a felhőnatív architektúráról és a teljes ML-munkafolyamatról: kísérletezés, feature management, modellverziózás, tanítás, telepítés, monitorozás, teljesítmény-benchmarking, életciklus-kezelés
• ▹Erős gyakorlati tapasztalat felhőplatformokkal (GCP vagy AWS), Kubernetesszel, elosztott számítással, CI/CD-vel, megfigyelhetőséggel és infrastructure-as-code gyakorlatokkal
• ▹Tapasztalat támogató eszközök és platformképességek építésében Applied Scientistek, Data Scientistek és mérnöki csapatok számára
• ▹Erős technikai ítélőképesség, pragmatikus architektúra-döntések a megbízhatóság, skálázhatóság, biztonság, költség és fejlesztői élmény között
• ▹Kiváló kommunikációs és befolyásolási készség, több szakterületet érintő érdekeltek összehangolása
• ▹Bizonyított mentorálási képesség, a mérnöki standardok emelése
• ▹Termékhatás-szemlélet: olyan platformképességeket építesz, amelyek gyorsítják a kísérletezést és mérhető üzleti értéket teremtenek

Előny

• ▹Ismeret LLM-keretrendszerekben és GenAI-infrastruktúrában, például LangChain, LlamaIndex, vektortárak, visszakereső rendszerek, prompt-kiértékelés, modellkiszolgálás vagy LLM-megfigyelhetőség

Soft skillek

Amit kínálunk

• ▹Nyitott, együttműködő, dinamikus és sokszínű kultúra
• ▹Bőkezű havi keret a Preply.com-on vehető órákra, tanulási és fejlődési keret, fejlődésre fordítható szabadidő
• ▹Versenyképes pénzügyi csomag részesedéssel (equity), szabadságkerettel és egészségbiztosítással
• ▹Ingyenes mentálhigiénés támogató platformok

A munkáltatóról

A Preply MI-alapú tanulási platformot skáláz, amelyet tanulók és tutorok milliói használnak világszerte. A cég nemrég 150 millió dolláros D sorozatú finanszírozást zárt, és 100 000+ tutor tanít nála 90+ nyelvet 180 országban.