Senior Machine Learning Engineer
Ügynökségen keresztül · Randstadhu
SzoftverfejlesztőRendszerelemző
MatematikusRugalmasTeljesBudapest
Ügyfelünk egy amerikai központú, szektorában piacvezető vállalat, több évtizedes múlttal és agilis, globális hálózattal. Tapasztalt Senior Machine Learning Engineer kollégát keresünk budapesti csapatuk bővítésére, senior fejlesztői (individual contributor) pozícióba. Az Adatmérnöki (Data Engineering) szervezeten belül Ön az adatmérnökség, az alkalmazott gépi tanulás és a szoftverfejlesztés metszéspontjában fog dolgozni: éles (production-grade) ML-infrastruktúrákat és ügynökalapú (agentic) AI-rendszereket tervez, épít és helyez üzembe, amelyek közvetlen hatással vannak az üzletre.
Feladatok
- Éles ML-folyamatok (pipeline-ok) teljes körű tervezése, építése és karbantartása: feature engineering, modell-tanítás, értékelés, kihelyezés, kiszolgálás és monitorozás AWS-en és Databricks-en.
- Ügynökalapú (agentic) AI-orkesztrációs rendszerek tervezése és megvalósítása olyan keretrendszerek használatával, mint a LangChain, LangGraph, CrewAI vagy egyedi rétegek, biztosítva a vállalati szintű megbízhatóságot, megfigyelhetőséget, védőkorlátokat, tervezési ciklusokat és memóriakezelést.
- Feature store-ok, tanítóadat-folyamatok és feature engineering munkafolyamatok építése és optimalizálása, amelyek batch és valós idejű inferencia-munkaterheléseket egyaránt kiszolgálnak.
- MLOps-infrastruktúra felügyelete, beleértve a modellek CI/CD folyamatait, az automatizált újratanítási pipeline-okat, A/B tesztelési keretrendszereket, modellverziózást, kísérletkövetést és az ML-eszközök governancéját az MLflow, a Unity Catalog és a Databricks Model Serving használatával.
- LLM-integrációs minták tervezése és megvalósítása, beleértve a RAG architektúrákat, promptkezelő rendszereket, eszközhasználati keretrendszereket, vektorialapú adatbázisokat, valamint a memória- és állapotkezelést.
- Modell-monitorozás fejlesztése eltolódás (drift) detektálására, teljesítményromlási riasztásokra, költségkövetésre és automatizált hibajavításra. Értékelési keretrendszerek kialakítása prediktív modellekhez és ügynökalapú rendszerekhez.
- Build-vs-buy (fejlesztés vagy vásárlás) és keretrendszer-választási döntések ösztönzése prototípusok és benchmarkok alapján. ML mérnökök mentorálása technikai design review-kon, kódellenőrzéseken és építészeti iránymutatásokon keresztül.
Feltételek és juttatások
Versenyképes juttatásokVersenyképes alapfizetés és éves bónusz.Juttatási csomagCafeteria-juttatások és magánegészségügyi csomag.RugalmasságHibrid munkavégzés: heti 3 nap budapesti irodai jelenléttel és 2 nap otthoni munkavégzéssel.
Elvárások
- Legalább 6 év tapasztalat a gépi tanulás mérnöki (machine learning engineering), alkalmazott ML vagy szorosan kapcsolódó szoftverfejlesztési területen, friss, igazolható éles (production) projektekkel.
- 2 év tapasztalat valós forgalmat kezelő és üzletkritikus döntéseket támogató, éles (production) ML rendszerek építésében és üzemeltetésében (nemcsak notebookok vagy POC-k szintjén).
- Éles (production) tapasztalat a Databricks ML ökoszisztémával (MLflow, Model Serving, Feature Store, Unity Catalog) és a támogató AWS szolgáltatásokkal (SageMaker, Bedrock, S3, Lambda, Step Functions, ECS/EKS).
- Gyakorlati tapasztalat ügynökalapú (agentic) AI-rendszerek építésében (többlépcsős orkesztráció, eszközhasználat, tervezési ciklusok, memóriakezelés, human-in-the-loop minták).
- Mély szintű Python-ismeretek és ML-keretrendszerek (PyTorch, TensorFlow, scikit-learn, XGBoost), erős szoftverfejlesztési alapokkal (tesztelés, verziókövetés, kódellenőrzés, CI/CD).
- Éles tapasztalat LLM-alkalmazásokkal (RAG pipeline-ok, vektorialapú adatbázisok, mint a Pinecone/Weaviate/Chroma/pgvector, beágyazások (embeddings), prompt engineering, fine-tuning) és valós idejű / batch inferencia-optimalizálással (kvantálás, disztilláció, gyorsítótárazás).