ML Architect / Solutions Architect

Informacje o projekcie:

Branża: bankowość

Stawka: do 190 zł/h netto + VAT, B2B

Lokalizacja: Warszawa (2 razy w miesiącu w biurze)

O projekcie

Główne zadania to sprawne wdrażanie narzędzi w obszarze ryzyka, w tym: obniżanie kosztów obsługi, zwiększanie poziomu automatyzacji procesów decyzyjnych, zapewnienie aktualności systemów oraz zgodności z obowiązującymi regulacjami.

Zakres obowiązków:

• Projektowanie architektury rozwiązań ML/AI w Pythonie, z wykorzystaniem scikit-learn, TensorFlow, PyTorch

• Tworzenie pipeline’ów danych w PySpark i Spark MLlib, wraz z integracją z systemami Big Data

• Implementacja modeli ML w języku Python, w środowiskach produkcyjnych i eksperymentalnych

• Praca nad niestandardowymi bibliotekami i rozwiązaniami w Pythonie, z wykorzystaniem FastAPI, Flask, REST API

• Optymalizacja wydajności systemów ML/AI, w tym zarządzanie infrastrukturą danych i modeli

• Integracja modeli ML z systemami bankowymi i backendowymi

• Współpraca z data scientistami i inżynierami danych w celu przekształcania modeli w produkty technologiczne

• Dokumentacja architektury, kodu, procedur wdrożeniowych i konfiguracji ML

• Wdrażanie ML/AI zgodnie z praktykami MLOps i Continuous Delivery

• Udział w projektach wdrożeniowych zgodnie z metodologią Agile/Scrum

Wymagania podstawowe:

• Wyższe wykształcenie techniczne, preferowane: informatyka, matematyka, analiza danych, ekonometria lub pokrewne

• Minimum 5 lat doświadczenia w projektach IT z udziałem rozwiązań Python/ML/AI

• Minimum 3 lata doświadczenia z bibliotekami ML/AI: scikit-learn, PyTorch, TensorFlow

• Biegła znajomość języka Python, w tym Pandas, NumPy, Dask oraz bibliotek NLP: Hugging Face, spaCy, Transformers

• Doświadczenie w modelowaniu pipeline’ów ML/AI, w tym przygotowaniu danych, architekturze modeli

• Znajomość systemów Big Data i bibliotek: PySpark, Spark MLlib oraz optymalizacja przetwarzania danych

• Integracja modeli ML z backendem/API – REST API, gRPC

• Znajomość konteneryzacji: Docker, Kubernetes oraz środowisk ML: Jupyter, MLflow, Airflow

• Doświadczenie z CI/CD dla ML/AI: Jenkins, GitLab CI/CD

• Umiejętność przekształcania wymagań biznesowych w architektury ML/AI

• Znajomość narzędzi do monitorowania/logowania: Grafana, Prometheus, MLflow, Weave

• Doświadczenie z wdrażaniem ML w środowisku produkcyjnym