Machine Learning Engineer
Ügynökségen keresztül · Randstadhu
SzoftverfejlesztőAlkalmazásfejlesztőRendszerelemzőRugalmasTeljesBudapest
Ügyfelünk egy egyesült államokbeli központú, több évtizedes múltra visszatekintő, piacvezető globális vállalat agilis hálózattal. Olyan magasan képzett Machine Learning Engineer kollégákat keresünk, akik technikai egyéni hozzájárulóként csatlakoznak a bővülő budapesti csapathoz. Az adatmérnöki szervezet részeként, szenior ML mérnökök, adatmérnökök és adattudósok oldalán az ML pipeline-ok és AI-alapú funkciók bevezetésére, deployolására és fenntartására fókuszálhat éles környezetre szabott precizitással.
Feladatok
- Éles ML-folyamatok (pipeline-ok) építése és karbantartása: feature engineering, modell-tanítás, értékelés, deploy és monitorozás AWS-en és Databricks-en.
- Ügynögalapú (agentic) AI munkafolyamatok megvalósítása és üzemeltetése olyan keretrendszerek használatával, mint a LangChain, LangGraph vagy ezzel egyenértékűek.
- Feature engineering pipeline-ok fejlesztése és karbantartása, biztosítva az adatok minőségét, frissességét és konzisztenciáját batch és valós idejű kiszolgálási útvonalakon.
- MLOps infrastruktúra üzemeltetése és bővítése: modell CI/CD, kísérletkövetés, automatizált újratanítás, modell verziókezelés és teljesítménymonitorozás az MLflow és Databricks eszközökkel.
- RAG pipeline-ok, vektorfúziós adatbázis-integrációk, prompt-kezelő rendszerek és eszközhasználati komponensek építése és karbantartása LLM-alapú alkalmazásokhoz.
- Modell-monitorozási dashboardok és riasztások készítése: drift, latencia, hibaarányok és költségek követése, valamint az anomáliák kontextus szerinti eszkalálása.
- Éles minőségű Python kód írása alapos teszteléssel, dokumentációval és a csapatos mérnöki standardok betartásával.
- Részvétel az ML rendszerek ügyeleti (on-call) rotációjában, éles hibák elhárítása és javítások implementálása a megfelelő sürgősséggel.
- Együttműködés az adatmérnökökkel a felsőbb körös pipeline függőségek terén, valamint az adattudósokkal a kutatási eredmények élesíthető szolgáltatásokká alakításában.
Feltételek és juttatások
Versenyképes juttatási csomagVersenyképes alapbér és éves teljesítményalapú bónusz.JuttatásokCafeteria juttatás és magán-egészségbiztosítási csomag.RugalmasságHibrid munkavégzési modell heti 3 nap irodai jelenléttel (Budapest) és heti 2 nap Home Office lehetőséggel.
Elvárások
- 3 év tapasztalat a machine learning engineering, az alkalmazott ML vagy a szoftverfejlesztés területén, jelentős ML fókusszal és friss éles (production) projektekkel.
- Valós éles környezetben szerzett tapasztalat ML modellek deployolásában és fenntartásában, amelyek a notebook fázison túl, valós inferencia-forgalmat kezelnek.
- Rutinos munkavégzés a Databricks ML ökoszisztémával (MLflow, Model Serving, Feature Store) és ismeretség a támogató AWS szolgáltatásokkal (SageMaker, S3, Lambda, Step Functions, ECS/EKS).
- Gyakorlati tapasztalat LLM-alapú alkalmazások építésében: RAG implementációk, vektorfúziós adatbázisok, prompt engineering és API-alapú modell-integráció (OpenAI, Anthropic, Bedrock vagy ekvivalens).
- Éles tapasztalat ügynögalapú (agentic) AI minták terén: többlépcsős orkesztráció, eszközhasználat vagy munkafolyamat-automatizálás LangChain, LangGraph vagy hasonló keretrendszerekkel.
- Erős Python ismeretek és stabil szoftverfejlesztési alapok: verziókövetés, tesztelés, CI/CD, kódellenőrzés (code review) és éles rendszerek hibakeresése (debugging).
- Tapasztalat legalább egy alapvető ML keretrendszerben (PyTorch, TensorFlow, scikit-learn, XGBoost) éles predikciós feladatokra alkalmazva.
- Ismeretség a konténeres deployolással (Docker, ECS vagy Kubernetes) és az infrastruktúra mint kód (IaC) koncepciókkal.