Inżynier uczenia maszynowego

Jako inżynier ds. uczenia maszynowego będziesz odpowiedzialny za projektowanie i rozwój systemów Machine Learning, a także za udoskonalenie i aktualizację istniejących. Pomagasz wprowadzać najlepsze praktyki w zakresie tworzenia oprogramowania do zespołu zajmującego się naukami danych i przyspieszasz ich pracę. Będziesz testować biblioteki uczenia maszynowego do granic ich możliwości, często dodając nowe funkcjonalności. To obejmuje umożliwienie wdrożenia kodu w produkcji, testowanie i śledzenie wskaźników dokładności. Będziesz ciągle szukać możliwości poprawy wydajności i decydować, które technologie ML będą używane w środowisku produkcyjnym. Musisz posiadać: - Bachelor's/Master's stopień inżynierii z 2-4 lat doświadczenia w branży - Solidne umiejętności inżynieryjne i programistyczne, zdolność pisania wydajnego kodu produkcyjnego w Pythonie - Dobre zrozumienie Generic, OOP concepts & Design Patterns - Doświadczenie w budowaniu kontenerów z użyciem Docker - Znajomość bibliotek NumPy, Pandas, Keras, Pytorch, TensorFlow, scikit-learn - Doświadczenie w pracy z jednym z orkiestratorów - Airflow, Kubeflow, SageMaker, Data Bricks - Zrozumienie cyklu życia inżynierii ML i MLOPs - techniki modelowania, inżynieria cech, selekcja cech, szkolenie modelu, strojenie hiperparametrów, ocena modelu, serwowanie modelu - Doświadczenie w wdrażaniu aplikacji do Kubernetes Dobrze mieć: - znajomość Parquet, Apache Arrow, PySpark - zrozumienie architektury GPU, Cudas, Rapids - znajomość baz danych SQL - Postgresql, Mysql, MSSql - Ekspozycja na sklepy z danymi No SQL takie jak MongoDB / Redis / ElasticSearch / Cassandra O Noodle.ai: Misją Noodle.ai jest stworzenie świata bez odpadów. Nasze produkty skoncentrowane są na obszarach o dużej ilości odpadów - zakładach produkcyjnych i łańcuchach dostaw na całym świecie. Wierzymy, że tradycyjne oprogramowanie oparte na regułach zawodzi liderów biznesu, dlatego pracujemy z naszymi klientami nad wykorzystaniem sztucznej inteligencji do poprawy jakości produktów, optymalizacji planów produkcji, zwiększenia efektywności i optymalizacji dystrybucji produktów. Rozwiązanie tych problemów daje naszym klientom przewagę konkurencyjną, jednocześnie redukując marnotrawstwo energii, nadmierne emisje CO2 i odpady generowane przez niewydolności łańcucha dostaw.