Plattformingenieur für maschinelles Lernen in Infopulse / Infopuls

Wir suchen einen Plattformingenieur für maschinelles Lernen zur Verstärkung unseres Plattformentwicklungsteams. Der ideale Kandidat verfügt über umfassende Kenntnisse im Entwurf und Aufbau von ML-Plattformen in einem Multi-Anwendungs- und Multi-Modell-Setup. Sie werden sich auf Automatisierung, Rückverfolgbarkeit, Überwachung, Skalierbarkeit und Wiederverwendbarkeit sowohl auf Modell- als auch auf Datenebene konzentrieren. VerantwortungsbereicheUnterstützung beim Entwurf und Aufbau einer ML-Plattform, die mehrere Anwendungen und Modelle pro Anwendung bereitstellt, wobei der Schwerpunkt auf Automatisierung, Rückverfolgbarkeit, Überwachung und Skalierbarkeit liegt , und Wiederverwendbarkeit. Unterstützen Sie Datenwissenschaftler dabei, die Zeit von der Idee und Erkundung bis zum Testen durch den Aufbau einer kollaborativen Plattform zu verkürzen. Verwalten und Bereitstellen von Daten in einem validierten und verwendbaren Format aus IoT-Quellen mit unregelmäßig erfassten Daten. Ergreifen Sie die Initiative und arbeiten Sie mit Kollegen, Produktbesitzern usw. zusammen Architekten, um die besten Lösungen für die Plattform zu finden.QualifikationenNachgewiesene Erfahrung im Entwerfen und Erstellen von ML-Plattformen.Fließende Python-Kenntnisse und Erfahrung in pysparkErfahrung mit Azure-Diensten wie Azure ML, Azure Blob Storage, Event Hubs, Azure Data Factory, Azure DevOps, Azure Data Explorer und Azure Databricks. Kusto-Abfragesprache. Verständnis für angewandte MLOps und die Komplexität der Verwaltung von Daten aus IoT-Quellen. Hervorragende Fähigkeiten zur Zusammenarbeit, um Datenwissenschaftler zu unterstützen und die Zeit von der Idee und Erkundung bis zum PoC/MVP zu verkürzen. Interesse und Antrieb, die Konzepte des Energiesystems zu verstehen und der potenzielle Geschäftswert, den die Plattform bietet. Und in der Lage sein zu verstehen, was gut genug ist, um diesen Wert bereitzustellen. Kenntnisse und Erfahrung in Lambda-Architektur, Medaillon-Architektur, Feature Stores, ereignisbezogenen Daten, MLOps, CRISP-DM, Edge Computing, Bereitstellung von Code vs. Bereitstellungsmodell, CI/CD, und allgemeine Datenplattformmuster.