MLOps mérnök

Stack

Feladatok

• ▹Skálázható felhőinfrastruktúra tervezése, megvalósítása és üzemeltetése AWS, GCP vagy Azure környezetben, adat- és ML-terhelésekhez
• ▹Infrastruktúra és deploymentek automatizálása Terraform, Ansible, Helm és Kubernetes segítségével
• ▹CI/CD pipeline-ok építése és karbantartása modellek, AI ügynökök és megfigyelhetőségi platformok folyamatos telepítéséhez
• ▹Konténerek és orkesztráció kezelése Docker és Kubernetes (EKS) segítségével
• ▹Reprodukálható tanítási, validációs és inferencia pipeline-ok építése és karbantartása (Airflow, MLflow, DVC, Spark)
• ▹Monitorozási, naplózási és megfigyelhetőségi megoldások bevezetése és optimalizálása (Prometheus, Grafana, ELK/EFK, OpenTelemetry)
• ▹A felhőplatformok biztonságának, rendelkezésre állásának és rezilienciájának biztosítása
• ▹A teljes Adat -> ML -> Deployment -> Monitoring ciklus integrálása, szoros együttműködésben a Data, ML, DevOps és Backend csapatokkal
• ▹Együttműködés az ML csapatokkal modellek és AI ügynökök csomagolásában és éles környezetbe vitelében
• ▹Részvétel hibrid pipeline-ok tervezésében, amelyek hagyományos ML-t, generatív AI-t és LLM-alapú ügynököket (LangChain, LangGraph, CrewAI) kombinálnak

Elvárások

• ▹Informatika, szoftverfejlesztés, távközlés vagy kapcsolódó terület felsőfokú végzettsége
• ▹3+ év tapasztalat automatizálásban, deploymentben vagy felhőinfrastruktúra-kezelésben
• ▹Szilárd tapasztalat infrastruktúra kódként (Terraform, Helm, Ansible) megközelítésben
• ▹Haladó Linux-, hálózati és elosztott rendszerekkel kapcsolatos ismeretek
• ▹Gyakorlati CI/CD tapasztalat (GitLab CI, Jenkins, ArgoCD, FluxCD)
• ▹Docker és Kubernetes magabiztos használata
• ▹Tapasztalat modell- és adatkezelő eszközökkel, mint MLflow, DVC vagy Vertex AI
• ▹Monitorozási, naplózási és megfigyelhetőségi ismeretek
• ▹Tapasztalat SQL és NoSQL adatbázisokkal (PostgreSQL, TimescaleDB, MongoDB)
• ▹Képesség incidensek diagnosztizálására és megoldására nagy forgalmú éles környezetekben, költség- és teljesítményoptimalizálással

Előny

• ▹Tapasztalat üzenetkezelő és streaming rendszerekkel, mint Kafka, Redpanda vagy Benthos
• ▹Szerver nélküli (serverless) és eseményvezérelt architektúrák ismerete (AWS Lambda, SNS/SQS)
• ▹Tapasztalat haladó megfigyelhetőségben és modellteljesítmény-metrikákban
• ▹SRE (Site Reliability Engineering) gyakorlatok ismerete
• ▹Tapasztalat modern MLOps platformokkal (Kubeflow, MLflow)
• ▹Jártasság automatizált deploymentekben és DevOps legjobb gyakorlatokban
• ▹Generatív AI infrastruktúra ismerete (GPU, optimalizált konténerek, RAG serving)
• ▹Haladó szintű technikai angol nyelvtudás, írásban és szóban

Soft skillek