Must have

• MLOps

• CI/CD

• ML

• MLflow

• Docker

• Kubernetes

• English

• Polish

Requirements description

Original text.  Show translation

• Co najmniej 5-letnie doświadczenie w obszarze Machine Learning lub Data Engineering

• Doświadczenie na stanowisku ML Architect lub Technical Lead

• Biegłość w praktykach ML DevOps, w tym:

  • CI/CD dla modeli
  • deployment modeli ML
  • monitoring i observability
  • narzędzia typu MLflow, Docker, Kubernetes

• Bardzo dobra znajomość zarówno modeli ML, jak i infrastruktury (pipelines, backend)

• Umiejętność samodzielnego prowadzenia projektów i dostarczania rozwiązań produkcyjnych

• Mile widziane doświadczenie w zarządzaniu zespołem lub technicznej koordynacji projektów

Offer description

Original text.  Show translation

🚀 Dołącz jako Machine Learning Architect i twórz rzeczywiste, wdrażane rozwiązania AI!

📍 Lokalizacja: zdalnie (z Polski)

📄 Forma współpracy: B2B

Masz doświadczenie z Machine Learning i chcesz pracować nad ambitnymi projektami, które trafiają do realnych klientów? Dobrze trafiłeś/aś.

Dla naszego klienta – stabilnej firmy technologicznej z 20-letnią historią i międzynarodowym zasięgiem – szukamy eksperta, który odegra kluczową rolę w rozwoju systemów AI dla sektora retail, logistyki i przemysłu.

Poszukujemy doświadczonego Senior ML Architecta, który łączy kompetencje eksperta Machine Learning z doświadczeniem architekta systemów. Szukamy osoby, która zna cały proces tworzenia i wdrażania rozwiązań ML end-to-end — od koncepcji, przez budowę pipeline’ów i architektury systemu, aż po stabilne wdrożenie produkcyjne. To rola dla kogoś będzie odpowiedzialny za dowożenie projektów na produkcję.

Oferujemy

• Stabilna współpraca w modelu B2B
• Realny wpływ na kształt projektu i technologii
• Elastyczny model pracy (hybrydowy / zdalny)

Your responsibilities

Original text.  Show translation

1. Projektowanie i rozwój architektury systemów ML end-to-end
2. Łączenie warstwy algorytmicznej z infrastrukturą backendową i procesami deploymentu
3. Budowa skalowalnych pipeline’ów ML oraz nadzór nad ich stabilnym działaniem
4. Prowadzenie projektów od etapu pomysłu aż do wdrożenia produkcyjnego
5. Współpraca z zespołami inżynierskimi, DevOps i product ownerami