Staff ML Platform Engineer – MLOps

🕒 vor 4 Monaten

🌐 Vereinigte Staaten, Kanada – Remote

🇺🇸 Vereinigte Staaten – Remote 🇨🇦 Kanada – Remote

💵 $172.000 - $215.000 / Jahr

⏰ Vollzeit

🔴 Experte

🏗️ Plattformingenieur

👻 Geisterscore 25%

Was es bedeutet: wie wahrscheinlich diese Stelle offen bleibt, ohne dass aktiv eingestellt wird.So liest du es: 60 % oder höher heißt, wir halten das für einen Geisterjob. Niedrigere Werte sind weniger bedenklich.Wie wir werten: Dauer offen, Neuveröffentlichungen, offene Stellen vs Teamgröße, wie schnell Stellen geschlossen werden, und ob ein Gehalt angegeben ist.Hinweis: eine Schätzung aus öffentlichen Daten, kein Urteil über das Unternehmen. Echte Stellen können hoch punkten, nutze es also als Hinweis, nicht als Fakt.

Jetzt Bewerben

Ähnliche Remote-Jobs finden

E-Mail-Benachrichtigung für neue Jobs einrichten

📊 Überprüfen Sie Ihre Lebenslauf-Bewertung für diese Stelle

Verbessern Sie Ihre Chancen auf ein Vorstellungsgespräch, indem Sie Ihre Lebenslauf-Bewertung vor der Bewerbung überprüfen.

Lebenslauf hochladen

FutureFit AI

WebsiteLinkedInAlle Stellen

11 - 50 Mitarbeiter

🤖 Künstliche Intelligenz

🤝 B2B

☁️ SaaS

💰 Seed Round im 2022-03

Artificial Intelligence • B2B • SaaS

FutureFit AI arbeitet mit Fortune-500-Unternehmen, Regierungen und Organisationen zur Entwicklung von Arbeitskräften zusammen, um ein KI-gestütztes Tool bereitzustellen, das als GPS fungiert und Arbeitnehmern bei der Bewältigung von Karriereübergängen hilft. Es unterstützt sie von der Karriereplanung über Umschulungen bis hin zur Arbeitsplatzvermittlung. FutureFit AI nutzt über 350 Millionen globale Talentprofile, aktuelle Arbeitsmarktdaten und Projektionen sowie eigene Algorithmen, um die Fähigkeiten von Einzelpersonen zu identifizieren, mögliche Karrierewege zu empfehlen und einen personalisierten Plan aus Lernprogrammen, Karriereunterstützungsressourcen und Coachings zu erstellen, um erfolgreiche Berufsergebnisse zu erzielen. Die Arbeit von FutureFit AI beim Einsatz von KI zur Unterstützung von Umschulungsmaßnahmen und beim Neugestalten von Entlassungen durch externe Qualifikation wurde anerkannt und von Medien wie dem Wall Street Journal, dem Weltwirtschaftsforum, der US-Regierung, der britischen Regierung und Nesta berichtet.

Beschreibung

• Build and own the ML platform supporting ML and LLM-powered products • Evaluate current pipelines, data architecture, and ML workflows and create a prioritized improvement plan • Provision compute and manage reproducible training and serving environments • Maintain frameworks and packages across services and model images • Optimize latency, throughput, and infrastructure spend without destabilizing production • Build LLM infrastructure with cost-aware routing across models and providers • Implement prompt and response evaluation to validate routed-model quality • Establish model experimentation practices including shadow deployments, canaries, holdouts, and success criteria • Implement model and data monitoring, alerting, regression detection, lineage, and traceability • Operate and debug production ML systems, including models built by others • Own feature computation, storage, and consistent serving between training and inference • Establish deployment and monitoring standards for shared team ownership • Collaborate with the data and engineering team and mentor team members as needed

🎯 Anforderungen

• Staff-level, hands-on experience in MLOps, ML platform, or ML infrastructure • Experience standing up MLOps practices end to end, including model CI/CD, experiment tracking, model registries, deployment workflows, and monitoring • Production experience with LLM-based systems, including serving, prompt and response evaluation, routing across models and providers, and cost and latency management • Experience operating models in batch and real-time serving contexts • Hands-on experience with containers, compute provisioning, reproducible environments, and package/framework maintenance • Experience with A/B tests, shadow or canary deployments, holdouts, and pre-defined success criteria • Expertise in production ML observability and traceability, including drift/regression detection, alerting, lineage, and prediction reproduction • Hands-on operational experience debugging production ML incidents and fixing systems not originally built by the candidate • Comfort with data engineering, feature computation/storage, and training-serving feature consistency • Track record improving complex, fast-grown systems • Strong systems design ability and ability to build architecture directly • Ability to work in EST/EDT business hours • Legally eligible to work in Canada or the United States • Willingness to undergo a background check if required • Willingness to travel occasionally for offsites and team gatherings

🏖️ Vorteile

• Remote-first work arrangement • Optional access to the Toronto office • Approximately 2-3 trips per year, including the company off-site • Reasonable accommodation for disabilities • Equal opportunity and inclusive workplace