ML Ops Engineer

Присоединяйтесь к нашей команде в качестве инженера по ML Ops в Hubs!

Проявляйте свою индивидуальность в Hubs

В Hubs мы верим в важность возможности быть собой. Мы понимаем, что невозможно соответствовать всем требованиям, поэтому мы призываем вас подать заявку, даже если вы не соответствуете каждому из них. Как работодатель, предоставляющий равные возможности, мы стремимся создать разнообразную и инклюзивную команду. Каждый может подать заявку, независимо от расы, цвета кожи, национального происхождения, сексуальной ориентации, гендера, возраста или любой другой идентичности. Присоединяйтесь к нам, чтобы сделать Hubs лучше и еще более разнообразным.

О Hubs

Hubs, являющийся частью семьи Protolabs, трансформирует производственную индустрию. Мы предоставляем инженерам и дизайнерам доступ к более чем 250 проверенным производственным партнерам по всему миру. Специализируясь на 3D печати, обработке на станках с ЧПУ, литье под давлением и производстве металлических листов, нас выбирают ведущие новаторы, такие как NASA, HP и Audi. Наши решения не только революционны, но и достигли космоса!

Обзор роли: инженер по ML Ops

Вы будете играть ключевую роль в построении, масштабировании и улучшении наших моделей машинного обучения. Сосредотачиваясь на инфраструктуре операций машинного обучения, ваша работа повысит качество нашего сервиса котировок за счет улучшенной эффективности, масштабируемости и надежного управления данными. Данная позиция предполагает сотрудничество в различных функциях, внося элементы технической экспертизы от DevOps, программирования на стороне сервера, инженерии данных до ML и MLOps.

Технологический стек: Prefect.io, K8s, Python, AWS, Pytorch, DBT, Datadog

Ключевые обязанности

• Разработка и поддержка инфраструктуры, поддерживающей жизненный цикл модели ML.
• Реализация сложных оркестровок рабочих процессов для эффективной автоматизации данных и ML конвейеров.
• Улучшение операций ML с использованием облачных сервисов и оркестрации контейнеров для большей масштабируемости и надежности.
• Развертывание инструментов мониторинга для обеспечения производительности модели и доступности приложения.
• Постоянное улучшение в области MLOps