W skrócie
- Zadania: Projektowanie i wdrażanie modeli uczenia maszynowego w FinTech.
- Firma: Innowacyjna firma technologiczna z międzynarodowymi projektami.
- Benefity: Prywatna opieka medyczna, karta sportowa, kursy szkoleniowe, hybrydowy model pracy.
- Pozostałe informacje: Możliwość rozwoju kariery i bezpośredni kontakt z zarządem.
- Dlaczego ta praca: Pracuj nad fascynującymi projektami i rozwijaj swoje umiejętności w dynamicznym środowisku.
- Kwalifikacje: Doświadczenie w inżynierii uczenia maszynowego oraz znajomość Pythona i SQL.
Przewidywane wynagrodzenie mieści się w przedziale 49500 - 60500 zł za rok.
Witaj, nazywamy się People More, ponieważ szanujemy naszych pracowników, ale także dlatego, że projekty, nad którymi pracujemy, są dla ludzi i powinny być łatwe oraz przyjemne w użyciu. Jesteśmy technologiczni, ale patrzymy na szerszy obraz :) Firma składa się z ludzi z ogromną bazą klientów w kraju i za granicą, dla których budujemy projekty od podstaw (UX, UI, frontend, backend, mobile) lub w części. Pracujemy bezpośrednio dla naszych klientów i wspieramy naszych partnerów w ich własnych rozwiązaniach. To zapewnia szeroki zakres projektów i możliwość zmiany! Pracujemy z klientami na całym świecie.
Twoje obowiązki będą obejmować:
- Projektowanie, rozwijanie i wdrażanie modeli uczenia maszynowego do oceny kredytowej i underwriting dla sprzedawców, obejmujące cały cykl życia ML.
- Budowanie cech punktowych w czasie rzeczywistym przy użyciu wspólnego magazynu cech, aby wspierać decyzje BNPL (Buy Now, Pay Later) i MCA (Merchant Cash Advance).
- Współpraca z zespołami inżynierii danych w celu ustalenia kontraktów źródeł danych, wymagań jakościowych i SLA świeżości danych.
- Projektowanie i utrzymywanie agentycznych przepływów pracy, w tym pętli agentów, grafów orkiestracji, zarządzania kontekstem, integracji narzędzi, mechanizmów oceny i zabezpieczeń.
- Wdrażanie procesów MLOps, w tym wersjonowania modeli, zautomatyzowanych pipeline'ów CI/CD oraz strategii wdrożeń champion/challenger lub shadow.
- Monitorowanie modeli produkcyjnych pod kątem dryfu danych, stabilności populacji i degradacji wydajności oraz wdrażanie mechanizmów ponownego szkolenia, recalibracji lub wycofania.
- Zapewnienie wyjaśnialności modelu i zgodności regulacyjnej poprzez odpowiednią dokumentację, dowody walidacji i techniki wyjaśnialności.
- Wsparcie wymagań regulacyjnych i audytowych, w tym oceny zdolności kredytowej CCD2.
- Rozwój zautomatyzowanych ram walidacji i backtestingu zintegrowanych z pipeline'em MLOps.
- Budowanie i utrzymywanie zautomatyzowanych eksperymentów, ocen, ponownego szkolenia i przepływów pracy promujących modele.
- Optymalizacja niezawodności, obserwowalności i kosztów operacyjnych systemów ML i agentycznej AI.
Wymagania, które muszą być spełnione:
- Silne doświadczenie komercyjne w inżynierii uczenia maszynowego, w tym budowanie i obsługiwanie rozwiązań ML w środowiskach produkcyjnych.
- Praktyczne doświadczenie w pełnym cyklu życia ML: inżynieria cech, trening modeli, walidacja, wdrożenie i monitorowanie.
- Bardzo dobra znajomość Pythona i SQL.
- Praktyczne doświadczenie z Spark i/lub Databricks w dużych środowiskach uczenia maszynowego.
- Silne zrozumienie technik walidacji modeli, w tym backtestingu, wskaźnika stabilności populacji (PSI), metryk Gini/KS i kalibracji modeli.
- Doświadczenie z MLOps, w tym rejestrami modeli, wersjonowaniem, pipeline'ami CI/CD, monitorowaniem modeli, wykrywaniem dryfu i automatycznym powiadamianiem.
- Znajomość testowania champion/challenger i strategii wdrożeń shadow.
- Praktyczne doświadczenie z magazynami cech i inżynierią cech punktowych w czasie rzeczywistym.
- Znajomość metod wyjaśnialności modeli, takich jak SHAP i LIME, a także przygotowywanie dokumentacji technicznej i walidacyjnej.
- Doświadczenie w rozwijaniu zaawansowanych przepływów pracy agentycznej AI, w tym orkiestracji agentów, projektowaniu pętli i grafów, zarządzaniu kontekstem, integracji narzędzi, zabezpieczeniach i ramach oceny.
- Dobre zrozumienie dużych modeli językowych (LLMs) i ich praktycznego zastosowania w przepływach pracy inżynieryjnej.
- Umiejętność projektowania i dostarczania niezawodnych, obserwowalnych i efektywnych kosztowo systemów ML.
- Silne umiejętności analityczne, niezależność i praktyczne podejście do rozwiązywania problemów.
- Umiejętność efektywnej współpracy z zespołami inżynieryjnymi, danymi i biznesowymi.
- Bardzo dobra znajomość języka angielskiego i polskiego.
Co oferujemy:
- Jesteśmy otwarci i uczciwi, rozwiązujemy problemy zamiast je generować.
- Może to oczywiste, ale naprawdę szanujemy naszych pracowników i współpracowników. Kiedyś też byliśmy programistami i doceniamy tę pracę!
- Mały zespół.
- Międzynarodowe środowisko pracy i międzynarodowe projekty.
- Prywatna opieka medyczna.
- Karta sportowa.
- Kursy szkoleniowe.
- Model pracy hybrydowej: preferowany 1 dzień w tygodniu w biurze w Warszawie lub Krakowie.
Dlaczego warto pracować z People More?
- Jeśli nie jesteś zadowolony ze swojej pracy lub zadań, znajdziemy wspólnie rozwiązanie!
- Jeśli się nudzisz, zaproponujemy Ci nowy produkt i nowe, fascynujące zadania.
- Będziemy pracować nad Twoją marką razem: będziesz miał okazję uczestniczyć w konferencjach, w tym jako prelegent, a my pomożemy Ci publikować w uznawanych czasopismach i online.
- Ułatwimy Ci dostęp do wyzwań, które zazwyczaj są trudne do zdobycia.
- W każdej chwili możesz porozmawiać bezpośrednio z zarządem People More - mówimy Twoim językiem, ponieważ założyciele firmy to programiści i projektanci!
Jak wygląda proces rekrutacji?
Senior Machine Learning Engineer in Kraków – pracodawca: Traffit
Nasza firma to doskonały pracodawca, który oferuje unikalne możliwości rozwoju w dynamicznej branży elektroniki. Pracując w Warszawie, będziesz częścią zespołu, który ceni innowacyjność i autonomię, a także korzysta z nowoczesnych narzędzi AI do optymalizacji procesów. Oferujemy elastyczne warunki pracy oraz atrakcyjny system wynagrodzeń, w tym bonusy uzależnione od wyników, co sprawia, że jesteśmy idealnym miejscem dla osób pragnących rozwijać swoje umiejętności w szybko zmieniającym się środowisku.