MLOps Engineerは、Machine Learning Engineerと協業し、機械学習、データサイエンスのモデルを継続的にサービスに対して提供できる、基盤の構築、保守、運用を行います。
また、キャディの持つデータを活用すべく、データ収集のためのパイプライン構築、データ活用の促進をリードする働きを期待します。
以下に業務例を示します。
実際の業務はこれに限定されるものではありません。
入社後の業務内容は、技術や専門知識、経験等を考慮のうえ決定します。
●機械学習のモデルの推論を行うAPIおよびBatchの動作環境、CI/CDを用いたデプロイ環境の構築
●本番環境での監視、パフォーマンスチューニングを含むSite Reliability向上のための実装
●VertexやArgo Workflow上での機械学習処理パイプラインの開発、整備、運用
●推論・学習プラットフォームのコストの最適化
●モデリング担当者、Platform担当者とコミュニケーションし、プロセスを文書化
CADDiのMLOpsエンジニアはMLOpsの実プロダクトで上でのご経験が積めるのはもちろんのこと、ご経験やご興味に応じて、フロントエンドdemoの作成や新しいMLモデルの作成など、新しいチャレンジの許容度が広く、技術の幅を広げていける環境です。
開発環境
●言語
・フロントエンド: TypeScript
・バックエンド: Rust, TypeScript, *Python*
●フレームワーク・ライブラリ
・フロントエンド: React, Next.js, WebGL, WebAssembly
・バックエンド: Rust (axum), Node.js (Express, Fastify, NestJS), *PyTorch*
●インフラ: *Google Cloud*, Google Kubernetes Engine, Anthos Service Mesh
●データベース・データウェアハウス: CloudSQL(PostgreSQL), AlloyDB, ●Firestore, *BigQuery*
●API: GraphQL, *REST*, gRPC
●監視・モニタリング: Datadog, Sentry, *Cloud Monitoring*
●環境構築:*Terraform*
●CI/CD:*Github Actions*
●認証: Auth0
●開発ツール: *GitHub*, *GitHub Copilot*, Figma, Storybook
●コミュニケーションツール: *Slack*, Discord,* JIRA*, *Miro*, *Confluence*
※特に関係するものを太字にしています
