MLOps: rynek

Oferta

otwarta oferta, która przeszła kontrolę jakości i wymienia co najmniej dwie technologie

Obserwowany kandydat

kandydat, którego stack zawiera tę technologię; agregat — żaden pojedynczy rekord nie opuszcza perymetru

Kandydat do dopasowania

jeszcze nie liczone

Okno

oferty otwarte w chwili tworzenia snapshotu

Junior MLOps — typowe wejście: 1) DevOps / SRE Middle + zainteresowanie ML, 2) ML Engineer Middle + zainteresowanie infrastrukturą, 3) Backend Senior + wiedza o ML (przez kursy). Skok Junior → Middle — po pierwszym wdrożeniu platformy ML end-to-end (Feature Store + Model Registry + stack serwowania + monitoring). Middle → Senior — odpowiedzialność za platformę dla wielu zespołów + optymalizacja kosztów (typowy mandat: redukcja kosztów obliczeń o 30-50% przez kwantyzację + cache'owanie + instancje spot). Senior → Staff / Principal — architektura platformy ML dla organizacji z wieloma produktami + strategia integracji z zespołami DevOps / SRE / Data Platform. Ścieżka kariery: DevOps Middle / ML Engineer Middle → Junior MLOps (1-2 lata) → Middle (2-3 lata) → Senior → albo Staff / Principal MLOps (głębia), MLOps Tech Lead (zarządzanie), albo Founder w startupie platformy ML.

5 najważniejszych: mlops, ci/cd, aws, cloud, docker. Python (główny — do własnej infrastruktury), Go jako atut (do komponentów infrastruktury krytycznych pod względem wydajności — np. proxy serwujących). Biegłość w Docker (wieloetapowe buildy dla zoptymalizowanych obrazów ML, kontenery GPU). Biegłość w Kubernetes (standard produkcyjny serwowania ML — Deployment / StatefulSet / DaemonSet / Job / CronJob, RBAC, Network Policies, Resource Quotas, HPA / VPA / Cluster Autoscaler). GPU operator (NVIDIA GPU Operator do planowania GPU w K8s). Operatory K8s dla ML: Kubeflow Training Operator + Spark Operator + Argo Workflows. Helm + Kustomize + ArgoCD / FluxCD — standard GitOps. Terraform / Pulumi / CloudFormation (IaC dla zarządzanego ML w chmurze — zasoby AWS / GCP / Azure). Biegłość w MLflow (standard open-source rejestru modeli + śledzenia — Senior odpowiada za dostosowanie MLflow Plugins). Kubeflow + Kubeflow Pipelines (natywna dla K8s orkiestracja ML — często wymagana w dużych firmach). Orkiestratory workflow: Airflow + Prefect + Dagster (jeden dogłębnie — Dagster rośnie 2026). Feature stores: Feast (open-source) lub Tecton (zarządzany) — obowiązkowe dla Senior MLOps. Serwowanie modeli: Triton Inference Server (NVIDIA — wiele frameworków + dynamiczne batchowanie) + BentoML (przyjazny Pythonowi) + TorchServe + KServe (natywne serwowanie w K8s). Serwowanie specyficzne dla LLM: vLLM (PagedAttention — rekord w wysokoprzepustowym serwowaniu LLM), Text Generation Inference (TGI) od Hugging Face, SGLang (model programowania do serwowania LLM + cache’owania), Ollama (lokalne serwowanie LLM). Observability: Prometheus + Grafana + Loki + OpenTelemetry. Monitoring ML + wykrywanie driftu: Evidently AI + WhyLabs + Arize AI + Fiddler (jeden dogłębnie). Wersjonowanie danych: DVC + LakeFS. Zarządzany ML w chmurze: jeden z AWS SageMaker / GCP Vertex AI / Azure ML / Databricks dogłębnie. Platformy obliczeń rozproszonych: biegłość w Spark + Ray. Optymalizacja kosztów: strategia instancji spot, współdzielenie GPU (NVIDIA MIG), integracja kwantyzacji, strategie cache’owania (Redis dla wyników inferencji), analiza kosztów inferencji batch vs w czasie rzeczywistym.

DevOps Engineer — nacisk na ogólną infrastrukturę aplikacji (CI/CD + monitoring + chmura + Kubernetes + IaC). Stack: Docker / K8s / Terraform / Prometheus / Grafana / Ansible / Jenkins / GitHub Actions / chmura (AWS / GCP / Azure). Zob. DevOps Engineer (ogólnie) (gdy strona zostanie opublikowana). Platform Engineer — DevOps + nacisk na narzędzia wewnętrzne. Buduje platformę developerską dla inżynierów (zarządzanie klastrami K8s + ArgoCD + IDP — Internal Developer Platform — Backstage / Port / Cortex). MLOps Engineer (ta strona) — DevOps + nacisk na ML. Buduje platformę ML dla zespołów DS / ML Engineer / Research. Ponad stackiem DevOps: MLflow / Kubeflow / Feature Stores / Model Serving (Triton / vLLM) / monitoring ML (Evidently / WhyLabs) / zarządzane ML w chmurze (SageMaker / Vertex AI). ML Platform Engineer — Senior MLOps z naciskiem na wielokrotnego użytku platformę jako produkt (dla całej organizacji, a nie jednego zespołu). Pokrycie kariery: DevOps Middle → MLOps Junior — 6-12 miesiące (nauka stacku ML + Kubeflow / MLflow + zarządzane ML w chmurze). MLOps Senior ↔ Platform Engineer Senior — łatwe przejście poziome (dużo wspólnego stacku). ML Engineer Middle → MLOps Junior — 4-8 miesięcy (zna już stack ML, musi pogłębić Kubernetes + Terraform + observability). DevOps → MLOps — dalej niż przejście na Platform Engineera (luka w wiedzy o ML).

Drzewo decyzyjne wyboru platformy ML 2026: 1) MLflow (open-source, niezależny od dostawcy) — najlepszy do śledzenia eksperymentów + rejestru modeli + prostego wdrażania. Lekki. Self-hosted lub zarządzany (Databricks). Zastosowanie: fundament platformy ML w większości organizacji. Domyślny wybór 2026 do śledzenia ML na poziomie zespołu. 2) Kubeflow + Kubeflow Pipelines (open-source, natywny dla Kubernetesa) — najlepszy dla organizacji enterprise stawiających na K8s, które chcą pełnego stacku platformy ML bez uzależnienia od dostawcy. Cięższa konfiguracja. Zawiera: Pipelines (workflow) + Training Operator (trening rozproszony) + Serving (KFServing → KServe) + Notebooks. Zastosowanie: duże enterprise + zespół dojrzały w Kubernetesie + wymóg multi-cloud / on-prem. 3) AWS SageMaker (zarządzany) — najlepszy dla organizacji natywnych dla AWS. Kompleksowy: SageMaker Studio (IDE) + Training Jobs + Hyperparameter Tuning + Pipelines + Endpoints (real-time + batch) + Model Registry + Feature Store + Clarify (wykrywanie biasu). Uzależnienie od AWS. Zastosowanie: organizacja stawiająca na AWS + mały zespół ML — opłaca się dzięki liczbie funkcji w jednej platformie. Kosztowny w skali (drogi). 4) GCP Vertex AI (zarządzany) — odpowiednik SageMakera od Google. Mocny w: Vertex AI Workbench (Jupyter w chmurze), Pipelines (oparte na Kubeflow — przenośne), AutoML, dostęp do TPU (do badań / dużych treningów), Model Garden (wstępnie wytrenowane modele). Zastosowanie: organizacja stawiająca na GCP + liczy się przenośność Kubeflow. 5) Azure ML (zarządzany) — odpowiednik w Azure. Mocny w: Designer (wizualny kreator pipeline'ów ML), AutoML, możliwości MLOps, natywna integracja z Azure. Zastosowanie: organizacja stawiająca na Azure / Microsoft. 6) Databricks (zarządzany, multi-cloud) — najlepszy dla obciążeń ML opartych na Sparku + Lakehouse. Twórcy MLflow. Ceny premium. Zastosowanie: organizacje z dużą ilością danych i wzorcem Spark / Lakehouse. 7) Platformy wyspecjalizowane: Weights & Biases (najlepszy UX do śledzenia eksperymentów — ulubieniec badaczy), Comet (alternatywa W&B), Neptune, Determined AI (platforma treningu rozproszonego), Run:AI (orkiestracja GPU — przejęty przez NVIDIA), Truefoundry + Bento (nowoczesny serving modeli). Domyślnie 2026 dla nowego zespołu ML: MLflow self-hosted (lub zarządzany Databricks przy dużym użyciu Sparka) + serving na Kubernetesie (Triton / vLLM) + Feast (feature store) + Prometheus + Grafana + Evidently AI. Domyślnie dla enterprise natywnego w AWS: SageMaker (jeśli koszt akceptowalny + mały zespół) albo MLflow na EKS + własne serwisy (taniej w skali). Domyślnie dla enterprise dojrzałego w Kubernetesie: Kubeflow + MLflow.

Tak, 28% ofert MLOps to praca w pełni zdalna lub hybrydowa. Praca MLOps jest oparta na chmurze (cała infrastruktura w chmurowym K8s / usługach zarządzanych). Firmy outsourcingowe (EPAM AI Platform / Luxoft / Andersen) — prawie zawsze zdalnie przy amerykańskich projektach AI. Rosyjskie firmy produktowe — hybrydowo lub zdalnie po okresie próbnym. Rosyjskie banki (Sber AI banking / VTB) — hybrydowo/w biurze ze względu na zgodność z wymogami bezpieczeństwa. Międzynarodowe firmy platform ML (Truefoundry / Bento / Weights & Biases / Comet / Domino Data Lab / Determined AI / Run:AI) — praca w pełni zdalna to standard. Big Tech ML Platform — standardem jest hybryda, częściowo zdalnie. Huby relokantów dla MLOps: Polska (Warszawa / Kraków — przyjazne platformom AI), Niemcy (Berlin / Monachium), Kanada (Toronto), Serbia, Gruzja, ZEA. Angielski do międzynarodowej pracy zdalnej w MLOps — obowiązkowo (premia +30-50%, a MLOps wiąże się z intensywną współpracą międzyzespołową po angielsku).

MLOps Engineer (general) — can work in any ML team (product team / research lab / AI consultancy). Stack: universal MLOps. ML Platform Engineer — Senior MLOps with focus on reusable platform-as-product for the whole organisation (not for a single team). On top of that: internal API design (for other ML Engineers / DS), self-service tools (templates / scaffolding / CLI tools — like generate-new-model-project), SLA management for platform components (uptime / latency / throughput targets), cost-chargeback systems (per-team compute usage tracking + billing), onboarding documentation + training programmes for other ML team members, backwards-compatibility management for shared platform components, open-source contribution to platform components (e.g. Feast / Kubeflow contributions). Staff / Principal MLOps — even higher, typically managing an ML platform team (3-7 MLOps engineers + integrations with DevOps / SRE / Data Platform leads). Career choice: MLOps Engineer if you like being hands-on with a new problem every day, ML Platform Engineer if you like building reusable systems and working with multiple consumer teams. All three are legitimate Senior+ paths.

Roadmapa: 1) Mocna baza DevOps — opanowanie Linuksa + sieci + bash, opanowanie Dockera (buildy wieloetapowe + optymalizacja warstw + skanowanie bezpieczeństwa), dogłębne opanowanie Kubernetesa (Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA + podstawy własnych CRD). Książki: „Kubernetes in Action” Lukša, „The Kubernetes Book” Poulton. 2) Opanowanie IaC: dogłębnie Terraform (moduły / zarządzanie stanem / workspaces) + rozumienie wzorców specyficznych dla dostawców chmury. Kurs HashiCorp Learn (za darmo). Wzorce GitOps z ArgoCD / FluxCD. 4) Dogłębnie platforma chmurowa — wybierz jedną z AWS / GCP / Azure i zdaj certyfikat Solutions Architect Associate / Professional. 5) Podstawy ML — minimum: Python + pandas + scikit-learn + PyTorch (podstawy) + rozumienie pętli treningu / inferencji. Kurs fast.ai „Practical Deep Learning” Part 1. „Designing Machine Learning Systems” Chip Huyen — obowiązkowa lektura MLOps 2026 (do zrozumienia przepływu pracy ML od trenowania do wdrożenia). 6) Śledzenie eksperymentów + rejestr modeli: dogłębne opanowanie MLflow (Tracking + Registry + Projects + Models). Postaw self-hosted MLflow na EKS / GKE / AKS. 7) Stack serwowania ML: Triton Inference Server (wiele frameworków + dynamiczne batchowanie) + BentoML + KServe. Serwowanie LLM: opanowanie vLLM (PagedAttention + ciągłe batchowanie) + TGI + SGLang. 8) Feature Store: Feast (open source) — skonfiguruj end-to-end na projekcie testowym (offline + online + pobieranie). 9) Orkiestracja: jedno z Airflow / Prefect / Dagster + podstawy Kubeflow Pipelines. 10) Monitoring ML: Evidently AI (wykrywanie dryfu + jakość danych) + WhyLabs lub Arize AI lub Fiddler — jedno dogłębnie. 11) Projekt własny: wdrożenie pełnej platformy ML (klaster K8s + MLflow + Feast + Triton + Prometheus + Grafana + Evidently AI) z prostym cyklem życia modelu (trenowanie → rejestracja → wdrożenie → monitoring → ponowne trenowanie). Udokumentuj w README na GitHubie. 12) Kontrybucje do open source — Feast / Kubeflow / MLflow / vLLM / Triton — mocno podnoszą wartość CV w MLOps. Rosyjskie kursy: Karpov.Courses „MLOps”, Otus „MLOps”, ścieżka SkillFactory MLOps, intensyw Slurm MLOps. Międzynarodowe (EN): kurs MLOps „Made with ML” Goku Mohandas (za darmo, kompleksowy), kurs MLOps Hugging Face, Coursera „MLOps Specialization” DeepLearning.AI, Databricks Academy MLOps. Obowiązkowe książki: „Designing Machine Learning Systems” Chip Huyen, „Machine Learning Design Patterns” Lakshmanan, „Reliable Machine Learning” Cathy Chen. DevOps Middle / ML Engineer Middle → Junior MLOps — 4-10 miesięcy. Backend Senior → Junior MLOps — 8-14 miesięcy (trzeba nauczyć się stacku ML).

207 active open MLOps positions — growing ML-infrastructure niche. Geography: the US, Poland, the UK. The real market is broader thanks to the international remote segment (ML-platform companies — Truefoundry / Bento / W&B / Comet / Determined AI / Domino Data Lab + AI-startup MLOps teams — full-remote standard). Time to close a Senior MLOps role — 5-10 weeks (faster than Research, slower than DevOps general due to rare ML-skill combination). MLOps — the most "recession-resistant" AI/ML niche (companies cut research first, MLOps continuously needed for production).

Senior MLOps odpowiada za pełny cykl inżynierii platformy ML + przywództwo techniczne. Biegłość programistyczna: dogłębny Python + Go jako bonus do infrastruktury krytycznej wydajnościowo. Biegłość w Dockerze: buildy wieloetapowe, optymalizacja warstw, kontenery GPU, skanowanie bezpieczeństwa (Trivy / Snyk). Dogłębna biegłość w Kubernetesie: Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA / VPA / Cluster Autoscaler, podstawy własnych CRD, GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows. Biegłość w IaC: dogłębnie Terraform (moduły / stan / workspaces), jedno z Pulumi / CloudFormation jako bonus. Biegłość w GitOps: ArgoCD / FluxCD + wzorce Kustomize / Helm. Dogłębnie platforma chmurowa: jedna z AWS / GCP / Azure na poziomie Solutions Architect Professional. Biegłość w MLflow: dogłębna kustomizacja + pluginy + wzorce multi-tenancy. Kubeflow Pipelines: wdrożenia w skali enterprise + własne komponenty + multi-tenancy. Biegłość w Feature Store: dogłębnie Feast (offline + online + retrieval + monitoring + multi-tenancy) lub Tecton (zarządzany). Biegłość w serwowaniu modeli: dogłębnie Triton Inference Server (ensembles + dynamic batching + repozytoria modeli) + BentoML + KServe. Biegłość w serwowaniu LLM (2026 — obowiązkowo): dogłębnie vLLM (PagedAttention + continuous batching + speculative decoding + optymalizacja KV cache) + TGI + SGLang + Ollama. Platformy obliczeń rozproszonych: biegłość w Spark + Ray (Spark Operator na K8s, Ray Train + Ray Serve). Dogłębnie observability: Prometheus + Grafana + Loki + OpenTelemetry + własne metryki + strategie alertowania. Monitoring ML: wzorce integracji Evidently AI + WhyLabs / Arize AI / Fiddler. Biegłość w optymalizacji kosztów: strategia instancji spot + współdzielenie GPU (NVIDIA MIG) + integracja kwantyzacji (INT8 / FP16 / FP4) + strategie cache (Redis na wyniki inferencji) + analiza kosztów inferencji wsadowej vs w czasie rzeczywistym + planowanie reserved instances. Typowe zadanie Senior MLOps: redukcja kosztów obliczeń o 30-50% przez połączenie tych technik. Biegłość w bezpieczeństwie: zarządzanie sekretami (Vault / KMS w chmurze), network policies, bezpieczeństwo łańcucha dostaw (podpisane obrazy), prywatność danych (obsługa PII w pipeline'ach ML). Projektowanie platform ML: projektowanie platform ML na tablicy w skali 100M+ predykcji dziennie + multi-tenant + multi-region. Kompetencje miękkie: pisanie ADR dla decyzji platformowych, pisanie techniczne (dokumentacja platformy + materiały onboardingowe), code review dla wielu zespołów, mentoring MLOps na poziomie Middle, współpraca między zespołami (DevOps / SRE / Data Platform / ML Engineer / DS / Research). Angielski dla Senior+ OBOWIĄZKOWO — MLOps wymaga intensywnej pracy między zespołami po angielsku. Opcjonalny bonus: wkład open source do Feast / Kubeflow / MLflow / vLLM / Triton — znacząco podnosi wartość rynkową przy rekrutacji do czołowych laboratoriów AI + firm budujących platformy ML.