ML Platform Engineer

Stack

Feladatok

• ▹A modellek tanítását, kiértékelését és éles kiszolgálását támogató platformrendszerek tervezése és fejlesztése
• ▹Olyan infrastruktúra és eszközök építése, amelyek megbízhatóbbá, skálázhatóbbá és költséghatékonyabbá teszik az ML munkaterheléseket
• ▹Belső eszközök és munkafolyamatok fejlesztése, amelyeket emberek és ágensek is könnyen tudnak kezelni
• ▹A modellek telepítésének, kiszolgálásának és üzemeltetésének architektúrájával való munka a kutatási és termékkörnyezetekben
• ▹A GPU-kon és felhőinfrastruktúrán futó munkaterhelések ütemezésének, monitorozásának és hibakeresésének javítása
• ▹Belső eszközök, absztrakciók és ágens-rendszerek fejlesztése, amelyek csökkentik a kutatók és mérnökök üzemeltetési terheit
• ▹Fejlesztések az observability, automatizálás, megbízhatóság és fejlesztői élmény területén
• ▹Szoros együttműködés kutatókkal és termékmérnökökkel a problémák robusztus platformképességekké alakításáért
• ▹Hozzájárulás a technikai irányvonalhoz és pragmatikus architekturális kompromisszumok meghozatala a platform növekedésével

Elvárások

• ▹Erős tapasztalat éles rendszerek építésében vagy üzemeltetésében, a megbízhatóságra, skálázhatóságra és karbantarthatóságra fókuszálva
• ▹Rendszerszemlélet: szűk keresztmetszetekben, hibamódokban, interfészekben, erőforrás-használatban és hosszú távú üzemeltethetőségben való gondolkodás
• ▹Megalapozott gyakorlati tapasztalat felhőinfrastruktúrával, Linuxszal és infrastruktúra-automatizálással
• ▹Tapasztalat Kubernetesszel és elosztott munkaterhelések éles üzemeltetésével
• ▹Erős programozási készségek, ideálisan Pythonban vagy hasonló, backend rendszerekhez és eszközökhöz használt nyelvekben
• ▹Jó megítélés abban, hol jelent előnyt az automatizálás, és hol fontosabb az emberi kontroll és megbízhatóság
• ▹Tapasztalat belső platformok, fejlesztői eszközök vagy más mérnökök által használt infrastruktúra-absztrakciók építésében
• ▹Komfort bizonytalan környezetben való munkával és nyitott technikai problémák felvállalásával
• ▹Pragmatikus hozzáállás: a megfelelő probléma jó megoldására fókuszálva, túltervezés nélkül

Előny

• ▹ML infrastruktúra vagy modellkiszolgáló rendszerek éles üzemeltetése
• ▹Kutatási vagy adatintenzív munkaterhelések támogatása
• ▹Munka GPU-alapú vagy más teljesítményérzékeny infrastruktúrával
• ▹Tapasztalat observabilityvel és hibakereséssel elosztott rendszerekben
• ▹Jártasság Terraformmal, Datadoggal, GitHub Actionsszel vagy hasonló eszközökkel
• ▹Tapasztalat ágens- vagy LLM-alapú belső eszközök építésében
• ▹Tapasztalat munkafolyamat-orkesztrációs rendszerekkel, például Temporallal
• ▹Tapasztalat a kutatás és az éles mérnöki munka határterületén
• ▹Jártasság teljesítményoptimalizálási, ütemezési vagy erőforrás-allokációs problémákban
• ▹Tapasztalat könnyűsúlyú termék- vagy fejlesztőközpontú eszközök építésében

Soft skillek