Darba apraksts

MLOps ir pārvaldības tehniku kopums dziļās mācīšanās vai ražošanas ML dzīves ciklam, kas veidots no mašīnmācīšanās vai ML un operācijām vai Ops. Šie ietver ML un DevOps metodes, kā arī datu inženierijas procesus, lai izvietotu un uzturētu mašīnmācīšanās modeļus ražošanā.

Izstrādāt un ieviest mākoņu risinājumus, veidot MLOps mākoņos (AWS, Azure vai GCP)
Veidot CI/CD caurplūdes orķestrāciju, izmantojot GitLab CI, GitHub Actions, Circle CI, Airflow vai līdzīgus rīkus
Datu zinātnes modeļu pārskats, kodu refaktorizācija un optimizācija, konteinerizācija, izvietošana, versiju pārvaldība un kvalitātes uzraudzība
Datu zinātnes modeļu testēšana, validācija un testu automatizācija
Sazināties ar datu zinātnieku, datu inženieru un arhitekta komandu, dokumentēt procesus

Prasības kandidātiem

Spēja izstrādāt un ieviest mākoņu risinājumus un spēja veidot MLOps caurplūdes mākoņu risinājumos (AWS, MS Azure vai GCP)
Pieredze ar MLOps ietvariem, piemēram, Kubeflow, MLFlow, DataRobot, Airflow utt., pieredze ar Docker un Kubernetes, OpenShift
Programmēšanas valodas, piemēram, Python, Go, Ruby vai Bash, laba izpratne par Linux, zināšanas par ietvariem, piemēram, scikit-learn, Keras, PyTorch, Tensorflow utt.
Spēja saprast rīkus, ko izmanto datu zinātnieki, un pieredze programmatūras izstrādē un testu automatizācijā
Teicamas angļu valodas zināšanas, labas komunikācijas prasmes un spēja strādāt komandā

Jauki, ja ir