Wir verwenden technische Cookies und das anonymisierte Besuchsprotokoll von Zorky. Yandex Metrica (Daten werden auf Servern in Russland gespeichert) läuft nur mit Ihrer Einwilligung. Wir verkaufen keine Daten. Mehr zu Cookies und Statistik.
Zorky läuft im Testmodus — alles ist kostenlos. Stellen und Unternehmensseiten sind für alle offen; Links zu den Anzeigen und Ihre persönliche Stellenauswahl gibt es nach der Registrierung. Registrieren →
← Alle Stellen

Technical Architect - ML

PrincipalremoteUSA - Remote, USvor 6 T.
Markteinblicke
📊 DevOps / SRE: Gehälter und Nachfrage am Markt
Stack
airflowapi gatewayawscdkci/cdcloudcloudwatchdatabricksdevopseksgrafanahelm
Details
Erfahrung
ab 8 Jahren
Methoden
CI/CD, DevOps, LLMOps, MLOps
Unternehmen und Link anzeigen
Kostenlos, nach der Anmeldung.
Bewerben
Laden Sie Ihren Lebenslauf hoch — Arbeitgeber und Recruiter aus verschiedenen Ländern, die Ihr Profil suchen, können Sie direkt kontaktieren.
Lebenslauf senden →
Beschreibung

While technology is the heart of our business, a global and diverse culture is the heart of our success. We love our people and we take pride in catering them to a culture built on transparency, diversity, integrity, learning and growth. If working in an environment that encourages you to innovate and excel, not just in professional but personal life, interests you- you would enjoy your career with Quantiphi!

Must have skills &

Qualifications

8+ years working in ML/AI engineering or MLOps roles with strong architecture exposure. Strong expertise in AWS cloud-native ML stack , including: SageMaker(primary), EKS, Lambda, API Gateway, CI/CD (CodeBuild/Code

Pipeline or equivalent) Hands-on experience with at least one major MLOps toolset and awareness of alternatives: M

Lflow, Kubeflow, SageMaker Pipelines, Airflow, BentoML, K

Serve, Seldon. Deep understanding of model lifecycle management (feature engineering->training → registry → deployment → monitoring). Experience implementing or supporting LLMOps pipelines , including: prompt versioning, evaluation metrics, automation frameworks Deep understanding of ML lifecycle : data ingestion, feature engineering, training, evaluation, model packaging, CI/CD, drift detection, monitoring, and governance.

Strong experience with AWS SageMaker (Pipelines, Feature Store, Model Registry, Model Monitor). Experience implementing ML CI/CD pipelines including automated training, testing, validation, model promotion, and endpoint deployment. Experie

Vollständige Beschreibung, Unternehmen und Bewerbungslink — nach der Anmeldung. Anmelden
Kontaktdaten des Arbeitgebers (E-Mail/Telefon/Telegram) sind in der öffentlichen Vorschau ausgeblendet. Senden Sie Ihren Lebenslauf — dann können Arbeitgeber Sie direkt kontaktieren.
Dringende Frage? Schreiben Sie @termdocs