Kanada
Siemens
Later
MLOps Engineer
Kanada
Vancouver, British Columbia, Kanada
AWSGCPKubernetesTerraform
Automatische Übersetzung. Prüfe das Original.
ÜBER DIESE POSITION
Later ist das weltweit intelligenteste Unternehmen für Influencer-Marketing, das Marken die Sicherheit gibt, unvergessliche Kampagnen zu erstellen. Durch die Kombination von echten Creator-Beziehungen, vertrauenswürdiger Intelligenz und fachkundiger Beratung beseitigt Later Angst und Rätselraten bei einer der sichtbarsten Investitionen im Marketing. Aufbauend auf einer nativen, KI-gestützten Plattform und mehr als einem Jahrzehnt proprietärer Daten – einschließlich Milliarden von sozialen Interaktionen, Impressionen und über 2.4 Mrd. $ an verifizierten Influencer-gesteuerten Käufen – hilft Later Teams zu verstehen, was funktionieren wird, bevor sie starten.
Durch die Kombination von vertrauenswürdigen Einblicken und fachkundiger Beratung beseitigt Later das Rätselraten im Influencer-Marketing und ermöglicht es Marken, die richtigen Creator auszuwählen, vollständig verwaltete Kampagnen durchzuführen und aussagekräftiges Wachstum über Bekanntheit, Engagement und Umsatz zu erzielen. Later wird von führenden Marken wie Nike, Wayfair, Unilever und Southwest Airlines geschätzt und schlägt die Brücke zwischen Kreativität und Leistung, damit Kampagnen nicht nur gut aussehen, sondern auch Ergebnisse liefern. Erfahren Sie mehr unter later.com later.com/.
Wir suchen einen MLOps Engineer, der die Cloud-Infrastruktur, DevOps-Praktiken und aufkommenden MLOps-Fähigkeiten von Later unterstützt und ausbaut. Diese Rolle berichtet an das Infrastrukturteam und konzentriert sich hauptsächlich auf MLOps, AWS, Kubernetes, CI/CD, Terraform, während sie auch die Infrastrukturanforderungen unserer Datenteams unterstützt. Sie arbeiten eng mit Senior Engineers, Plattformteams, Data Scientists und Produktentwicklern zusammen, um die Systeme zu entwickeln, die Anwendungsbereitstellung, Daten-Workflows, Modell-Experimente und ML-Bereitstellungen unterstützen.
Dies ist eine großartige Rolle für jemanden mit einer soliden DevOps-Grundlage, der tiefer in Cloud-Infrastruktur, Kubernetes, GitOps und MLOps eintauchen möchte. Sie helfen bei der Wartung einer zuverlässigen Infrastruktur, verbessern Bereitstellungs-Workflows, automatisieren wiederkehrende Aufgaben und unterstützen die Systeme, die es Entwicklungs- und Datenteams ermöglichen, schneller und sicherer zu arbeiten.
WAS SIE TUN WERDEN
STRATEGIE
- Unterstützung der Entwicklung und Umsetzung der Infrastruktur-Roadmap für DevOps und MLOps, abgestimmt auf Produkt- und Daten-/KI-Wachstumspläne.
- Partnerschaft mit Entwicklungs-, Daten- und ML-Teams, um Skalierbarkeit, Zuverlässigkeit, Sicherheit und Automatisierung sowohl in die Anwendungs-Infrastruktur als auch in machine learning-Workflows zu integrieren.
- Hilfe bei der Bewertung und Einführung von DevOps- und MLOps-Tools, die die Systemeffizienz, Beobachtbarkeit, Entwicklererfahrung, Modellbereitstellung und betriebliche Zuverlässigkeit verbessern.
- Beitrag zu Plattformstandards, die Infrastruktur, CI/CD, Daten-Pipelines und ML-Systeme wiederholbarer, sicherer und einfacher zu betreiben machen.
- Unterstützung der Weiterentwicklung von Cloud-Native-Praktiken, die eine schnellere Produktlieferung ermöglichen und gleichzeitig die Plattform für zukünftige KI- und ML-Initiativen vorbereiten.
TECHNISCH / AUSFÜHRUNG
- Aufbau und Verwaltung von Infrastruktur zur zuverlässigen Bereitstellung von ML-Modellen in der Produktion mithilfe von CI/CD-Pipelines, Flask-basierten APIs und Orchestrierungstools (z. B. Airflow, Kubeflow oder Argo Workflows).
- Automatisierung von Trainings-Pipelines, Modell-Registry, Validierung, Bereitstellung und Rollback-Strategien mithilfe von Tools wie Amazon SageMaker Interface und Postman für Tests.
- Aufbau von Systemen zur Überwachung von Modellleistung, Latenz, Daten-Drift und Ressourcennutzung mithilfe von Amazon CloudWatch, Prometheus und Grafana.
- Entwurf und Pflege von Tools und Systemen zur Unterstützung der Modell-Versionierung, des Experiment-Trackings (z. B. MLflow, Amazon SageMaker Studio Notebooks) und reproduzierbarer Trainings-Workflows.
- Betrieb über GCP und AWS, um Trainings-/Inferenz-Infrastruktur, BigQuery-Datensätze und GPU-Workloads zu verwalten.
- Verwendung von Tools wie Terraform oder CloudFormation zur Verwaltung der Cloud-Infrastruktur auf skalierbare und wiederholbare Weise.
- Zusammenarbeit mit Data Scientists, Analysten, Plattform-Ingenieuren und Produkt-Ingenieuren zur Unterstützung ihrer End-to-End-ML-Workflows.
TEAM / KOLLABORATION
- Partnerschaft mit Produkt- und Datenteams zur Optimierung von CI/CD-Workflows, GitOps-Praktiken und Bereitstellungsprozessen, die sowohl die Anwendungsbereitstellung als auch Daten-/ML-Workflows unterstützen.
- Enge Zusammenarbeit mit Datenteams zur Unterstützung einer zuverlässigen Infrastruktur für Daten-Pipelines, Modell-Experimente, Trainings-Workflows und produktive ML-Bereitstellungen.
- Zusammenarbeit mit Produktteams, um die Plattformanforderungen zu verstehen und sicherzustellen, dass Infrastruktur-Entscheidungen die Produktzuverlässigkeit, Skalierbarkeit und Liefergeschwindigkeit unterstützen.
- Bereitstellung von Dokumentationen, Runbooks und Best Practices, die Produkt- und Datenteams helfen, Systeme mit mehr Autonomie bereitzustellen, zu überwachen und zu beheben.
- Unterstützung einer kollaborativen DevOps- und MLOps-Kultur, indem Teams bei der Einführung von Automatisierung, Beobachtbarkeit und wiederholbaren Bereitstellungsmustern geholfen wird.
FORSCHUNG / BEST PRACTICES
- Auf dem Laufenden bleiben über Cloud-Native-, DevOps-, Dateninfrastruktur- und MLOps-Trends, Identifizierung von Tools, Mustern und Praktiken, die Zuverlässigkeit, Automatisierung, Skalierbarkeit und Liefergeschwindigkeit verbessern können.
- Kontinuierliche Bewertung von Infrastruktur, CI/CD-Pipelines, Daten-Workflows, Modellbereitstellungsprozessen, Leistung, Kosten und Effizienz, Empfehlung von Verbesserungen, die mit den Zielen von Produkt-, Entwicklungs- und Datenteams übereinstimmen.
- Beitrag zu Dokumentationen, Runbooks, Incident Reviews und Post-Mortem-Prozessen, um das operative Lernen über DevOps- und MLOps-Praktiken hinweg zu stärken.
- Hilfe bei der Definition und Weitergabe von Best Practices für Infrastructure-as-Code, GitOps, Beobachtbarkeit, sichere Bereitstellungen, Zuverlässigkeit von Daten-Pipelines und Automatisierung von ML-Workflows.
- Suche nach Möglichkeiten, Systeme zu vereinfachen, manuelle Arbeit zu reduzieren und die Entwickler- und Datenteam-Erfahrung durch bessere Tools, Automatisierung und Plattformstandards zu verbessern.
WAS ERFOLG AUSMACHT
ERSTE 30 TAGE — LERNEN, UNTERSTÜTZEN UND VERSTEHEN
- In den ersten 30 Tagen konzentriert sich der Kandidat auf das Erlernen der Cloud-Infrastruktur von Later, der Kubernetes-Umgebungen, der AWS-Dienste, der CI/CD-Workflows und der Daten-/ML-Plattformkomponenten.
- Er beginnt mit der Unterstützung bestehender Bereitstellungs-Pipelines, Beobachtbarkeits-Tools, Infrastruktur-Dokumentationen und operativer Workflows. Er macht sich auch mit GPU-fähigen Workloads, SageMaker-Umgebungen, Notebooks, Modelltrainingsjobs und aktuellen ML-Bereitstellungsprozessen vertraut.
- Bis zum Ende der 30 Tage sollte der Kandidat verstehen, wie unsere DevOps- und MLOps-Systeme strukturiert sind, wo Unterstützung benötigt wird und wie Produkt- und Datenteams die Plattform nutzen.
- Sie werden intern als vertrauenswürdiger Partner anerkannt, der operative Exzellenz unterstützt, die Plattformzuverlässigkeit verbessert und technische Standards in den Bereichen DevOps und MLOps-Praktiken erhöht.
ERSTE 60 TAGE — BEITRAGEN, AUTOMATISIEREN UND VERBESSERN
- Bis zum Tag 60 beginnt der Kandidat, die Verantwortung für kleinere Infrastruktur- und Automatisierungsaufgaben in den Bereichen Kubernetes, AWS, CI/CD und ML-Plattform-Workflows zu übernehmen.
- Er hilft bei der Verbesserung von Bereitstellungs-Pipelines für Anwendungen, Infrastruktur und ML-Workflows, wodurch diese konsistenter, automatisierter und einfacher für Teams zu nutzen werden. Er unterstützt auch die Bereitstellung, Überwachung und Optimierung von GPU-Knoten für Trainings-, Experimentier- und Inferenz-Workloads.
- Der Kandidat unterstützt SageMaker, einschließlich Notebooks, Modelltrainingsjobs, Zugriffskontrollen, Überwachung und wiederholbarer Bereitstellungsmuster. Er hilft auch bei der Verbesserung von Dokumentationen, Runbooks, Alarmen und Fehlerbehebungsprozessen.
ERSTE 90 TAGE — VERANTWORTUNG ÜBERNEHMEN, OPTIMIEREN UND SKALIEREN
- Bis zum Tag 90 sollte der Kandidat mit mehr Unabhängigkeit zu DevOps- und MLOps-Workflows beitragen.
- Er hilft bei der Verbesserung von Zuverlässigkeit, Skalierbarkeit, Sicherheit und Beobachtbarkeit von Kubernetes-Clustern, AWS-Infrastruktur, GPU-fähigen Workloads, SageMaker-Umgebungen und Daten-/ML-Plattformkomponenten.
- Er unterstützt produktionsreife ML-Workflows, indem er bei der Verbesserung von Experimenten, Modellbereitstellung, Überwachung, Rollback, Fehlerbehebung und operativer Bereitschaft hilft. Er stellt auch sicher, dass Sicherheits- und Compliance-Anforderungen in die Infrastruktur, CI/CD, Daten-Pipelines, SageMaker-Workflows und den Plattformbetrieb integriert werden.
- Bis zum Ende der 90 Tage sollte der Kandidat als vertrauenswürdiger Partner für Produkt- und Datenteams anerkannt sein und helfen, den operativen Aufwand durch Automatisierung, Dokumentation, Alarmierung, GPU-Ressourcenmanagement und wiederholbare Plattformstandards zu reduzieren.
WIE SIE ARBEITEN
- Ergebnisorientiert: Sie liefern Ergebnisse, die zählen – priorisieren hochwertige Arbeit, halten Fristen ein und passen sich schnell an, während Sie die Ergebnisse klar im Blick behalten.
- Strategisch und kundenorientiert: Sie antizipieren Risiken und Chancen, verbinden Entscheidungen mit langfristigem Wachstum und bauen Vertrauen durch proaktive Einblicke auf.
- Neugierig und wachstumsorientiert: Sie suchen Wissen, stellen gezielte Fragen und wenden Gelerntes schnell an – fordern Sie den Status quo mit einer Denkweise der Verbesserung heraus.
- Kollaborativ und belastbar: Sie gedeihen im Wandel, indem Sie einfallsreich, lösungsorientiert und positiv bleiben – Hindernisse beseitigen, Erkenntnisse teilen und die Moral hochhalten.
- Verantwortungsbewusst und ehrlich: Sie übernehmen Verantwortung für Ihre Arbeit, setzen hohe Maßstäbe für sich und andere und nutzen transparentes Feedback, um Wachstum zu fördern.
- Emotional intelligent: Sie bauen Vertrauen durch Empathie und Zusammenarbeit auf, fördern Inklusion und inspirieren andere mit Tatkraft, Optimismus und Integrität.
#LI-Hybrid
WO WIR ARBEITEN
Wir haben Büros in Boston, MA; Vancouver, BC; und Vancouver, WA. Für ausgewählte Positionen sind wir offen für die Einstellung von vollständig Remote-Kandidaten. Wir schalten unsere Stellen in dem/den Standort(en) aus, an dem/denen wir den erfolgreichen Kandidaten gerne einsetzen möchten.
VIELFALT, INKLUSION UND ZUGÄNGLICHKEIT
Bei Later verpflichten wir uns, eine Kultur zu fördern, die auf einer Inklusions-zuerst-Denkweise auf jeder Ebene des Unternehmens basiert, und die Bedeutung der Einstellung und des Aufbaus von Teams für kulturelle Ergänzung statt für kulturelle Passung zu umarmen. Wir bauen und pflegen offen unvoreingenommene Einstellungs-, Gehalts- und Beförderungspraktiken, um eine Grundlage für einen gerechten Arbeitsplatz zu schaffen und den Weg für systemische Veränderungen zu ebnen.
Wir sind bestrebt, ein vielfältiges Umfeld zu schaffen und sind stolz darauf, ein Arbeitgeber zu sein, der Chancengleichheit bietet. Alle Bewerbungen werden bei der Einstellung berücksichtigt, unabhängig von ethnischer Herkunft, Hautfarbe, Religion, Geschlecht, Geschlechtsidentität oder -ausdruck, nationaler Herkunft, Behinderung oder Alter. Bitte lassen Sie uns wissen, ob Sie während des Einstellungsprozesses Anpassungen oder Unterstützung benötigen.
WAS SIE MITBRINGEN
- 2–5 Jahre praktische Erfahrung in DevOps oder Cloud Engineering in Produktionsumgebungen.
- Expertise mit Kubernetes (EKS), Helm und Microservices.
- 1-2 Jahre Erfahrung mit AWS und SageMaker.
- 1-2 Jahre Erfahrung in der Erstellung von Daten-Pipelines
- 1-2 Jahre Erfahrung mit LLM-Bereitstellungen auf Kubernetes
- 1-2 Jahre Erfahrung mit kubernetes-Clustern unter Verwendung von Knoten mit GPU
- Nachweisliche Erfolgsbilanz bei der Verwendung von Terraform für skalierbare, auditable Infrastructure as Code.
- Eine kollaborative, lösungsorientierte Denkweise und eine Leidenschaft für Automatisierung und kontinuierliche Verbesserung.
UNSER ANSATZ ZUR VERGÜTUNG
Wir verfolgen einen markt- und datengesteuerten Ansatz bei der Vergütung. Wir nutzen Daten aus vertrauenswürdigen externen Vergütungsquellen, um den Marktwert einer Rolle basierend auf Funktion, Niveau, geografischem Standort und Umfang zu ermitteln. Wir bewerten die Vergütung halbjährlich, einschließlich Leistungs- und marktbezogener Faktoren.
Unsere Gehälter werden anhand der marktüblichen Gesamtbarvergütung (Total Cash Compensation) für den geografischen Standort unserer Stellenausschreibung festgelegt. Die Vergütung für einige Rollen ist als On Target Earnings (OTE = Basis + Provision/Variable) strukturiert, während sie für andere nur als Gehalt strukturiert ist.
Um lokale Gesetze einzuhalten und Transparenz zu gewährleisten, geben wir Gehaltsspannen für alle Stellenausschreibungen an. Fähigkeiten, Erfahrung und andere Faktoren bestimmen das endgültige Gehalt, das wir anbieten, welches von der ursprünglich angegebenen Spanne abweichen kann.
Darüber hinaus sind alle festangestellten Teammitglieder berechtigt, im Rahmen ihres gesamten Vergütungspakets an verschiedenen Leistungsprogrammen teilzunehmen.
Gehaltsspanne: $ 120,000 - 140,000 CAD
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen