
A Wallapop ML platformjának fejlesztéséhez és MLOps gyakorlatához járulsz hozzá, hogy a modellek megbízhatóan skálázódjanak és milliókat szolgáljanak ki a személyre szabás, keresés, bizalom/biztonság és logisztika területén.
Stack
Feladatok
- ▹A Wallapop ML platformjának iterálása és karbantartása, a sebesség, megbízhatóság és karbantarthatóság javítási lehetőségeinek azonosítása
- ▹Az MLOps hosszú távú víziójának és ütemtervének végrehajtása
- ▹Szoros együttműködés adattudósokkal, biztosítva a modellek hatékony fejlesztéséhez, bevezetéséhez és monitorozásához szükséges eszközöket
- ▹Mérnöki legjobb gyakorlatok (kódolási sztenderdek, tesztelés, CI/CD) bevezetése és népszerűsítése az ML területen
- ▹Együttműködés a Data Engineering és DevOps csapatokkal az ML-fejlesztés és a vállalati infrastruktúra/adatgovernance összehangolásában
- ▹Új keretrendszerek és eszközök (pl. LLM-ekhez vagy valós idejű inferenciához) vizsgálata és integrálása a stack modernizálásához
Elvárások
- ▹Komoly tapasztalat production-kész ML platformok és pipeline-ok fejlesztésében és karbantartásában, a teljes életciklus (kísérletezéstől a monitorozásig) ismerete
- ▹Szilárd ismeretek AWS komponensekben (SageMaker, Lambda, S3) és konténer-orkesztrációban Kubernetes-szel
- ▹Erős szoftverfejlesztői háttér, jártasság Pythonban, Git-ben és CI/CD workflow-kban
- ▹Tapasztalat valós idejű ML architektúrákkal, Kafka használatával alacsony késleltetésű adatbetöltéshez és inferenciához
- ▹Gyakorlati tapasztalat vektoradatbázisokkal vagy szemantikus keresési infrastruktúrával (pl. OpenSearch, Vertex AI), indexeléssel és lekérdezés-finomhangolással
- ▹Jártasság a szélesebb ML eszköztárban, mint orchestration/tracking eszközök (Flyte, MLFlow, Feast) és sztenderd könyvtárak (Pandas, Scikit-learn, TensorFlow/PyTorch)
- ▹Professzionális szintű angol nyelvtudás, technikai fogalmak érthető kommunikálásának képessége különböző stakeholderek felé
Előny
- ▹Gyakorlati tapasztalat LLM-ekkel, RAG architektúrákkal és könyvtárakkal, mint a LangChain vagy LlamaIndex
- ▹Jártasság Big Data technológiákban, mint a Spark vagy Beam
- ▹Tapasztalat adatmérnöki eszközökkel, mint az Airflow, dbt vagy Datahub
- ▹Tapasztalat más felhőplatformokkal, mint a GCP vagy Azure, az AWS mellett
A munkáltatóról
A Wallapop egy Barcelonában székelő scale-up, amelynek célja, hogy az embereket egy tudatosabb és emberibb fogyasztási forma felé segítse. Naponta milliárdnyi adatpontot generál, érett adatinfrastruktúrával, és gépi tanulási területe egyre nagyobb lendületet vesz a személyre szabás, keresés, bizalom/biztonság és logisztika terén.
Nyelvtudás: Angol: Felsőfok / professzionális szint
Hasonló állások

Állás
ML Infrastructure Engineer
Clera
Cpp
+8
💰 Bér: nincs megadva
🏢 Helyszíni
San Mateo
🗣️ EN

Állás
MLOps Engineer (Machine Learning, MLFlow, Kubernetes, DVC)
Capgemini
AI/ML
+3
💰 Bér: nincs megadva
🏢 Helyszíni
Wrocław
🗣️ EN

Állás
Plattformsingenjör (AI & MLOps)
Capgemini
AI/MLAzure DevopsBicep
+12
💰 Bér: nincs megadva
🏢 Helyszíni
Göteborg

Állás
Cloud & MLOps Engineer - Financial Services
EY
AI/MLAzure DevopsBicep
+19
💰 Bér: nincs megadva
🏢 Helyszíni
Diegem
🗣️ EN

Állás
Databricks MLOps Engineer
Solvd
AI/MLCloudformationDatabricks
+4
💰 Bér: nincs megadva
🌍 Remote
Argentina
🗣️ EN

Állás
MLOps Engineer
Cognism
AI/MLDatabricks
+11
💰 Bér: nincs megadva
🏢 Helyszíni
Warsaw
🗣️ EN