MLOps: rynek
Dane na dzień 19 listopada 2026: otwarte oferty MLOps — 354, 31% zdalnie wśród ofert z podanym trybem pracy; mediana wynagrodzenia w ofertach $8315/mies. (z 41 ofert z podanym wynagrodzeniem). Źródło: Zorky, aktualizacja codziennie.
MLOps Engineer — infrastruktura dla zespołów ML/AI. Na styku DevOps + ML Engineering + Platform Engineering. Buduje i utrzymuje platformę ML dla innych zespołów DS / ML Engineer / Research: feature stores, rejestr modeli, infrastruktura treningowa, stack servingu, monitoring, optymalizacja kosztów. Rodzina ról: MLOps Engineer (mid — infrastruktura dla jednego zespołu produktowego), Senior MLOps Engineer (platforma dla wielu zespołów + optymalizacja kosztów + skalowanie), ML Platform Engineer (buduje platformę wielokrotnego użytku dla całej organizacji — Feature Store / Model Registry / Training Platform), Staff / Principal MLOps (architektura platformy ML dla organizacji z wieloma produktami), MLOps Tech Lead (kierowanie zespołem + strategia platformy + integracja z DevOps / SRE). Stack: Python (główny), biegłość w Docker+Kubernetes (produkcyjny serving ML), Helm+Kustomize+ArgoCD (GitOps), Terraform/Pulumi/CloudFormation (infrastructure-as-code dla zarządzanych zasobów ML w chmurze), MLflow (rejestr modeli + śledzenie — standard open-source), Kubeflow+Kubeflow Pipelines (natywna dla K8s orkiestracja ML), Airflow/Prefect/Dagster (pipeline'y danych + ML), Feast/Tecton (feature stores), Triton Inference Server+BentoML+TorchServe+vLLM/TGI/SGLang (serving modeli — specyficzny dla LLM), Prometheus+Grafana+Loki (observability), Evidently AI/WhyLabs/Arize AI/Fiddler (monitoring ML + wykrywanie dryfu), DVC+LakeFS (wersjonowanie danych), AWS SageMaker/GCP Vertex AI/Azure ML/Databricks/Domino Data Lab (zarządzane ML w chmurze), Spark+Ray (platformy obliczeń rozproszonych), FluxCD+Tekton (CI/CD dla pipeline'ów ML), OpenTelemetry (tracing). Najczęstszy stack: mlops, ci/cd, cloud, aws, python. Wśród ofert z określonym trybem pracy 31% dotyczy pracy zdalnej.
Dane na dzień:
Najważniejsze liczby rynku MLOps: otwarte oferty, mediana wynagrodzenia, obserwowana pula specjalistów i udział pracy zdalnej.
Rynek MLOps ma obecnie 354 otwarte role, w tym świeżo zaobserwowanych: 304. Median salary $8315/mo.
Wśród ofert z określonym trybem pracy 31% dotyczy pracy zdalnej. Praca w MLOps standardowo chmurowa. Firmy outsourcingowe (EPAM AI Platform / Luxoft AI) — prawie zawsze zdalnie. Rosyjskie banki (bankowość Sber AI / VTB) — hybryda/biuro ze względu na zgodność w zakresie bezpieczeństwa. Międzynarodowe firmy z platformami ML — praca w pełni zdalna to standard. Platformy ML w Big Tech — standardem jest hybryda.
⚠ wynagrodzenie znane dla 41 z 354 ofert; udział pracy zdalnej z 290 z podanym formatem; 304 liczone jako świeże obserwacje; trendu i trudności rekrutacji nie pokazujemy
Oś czasu: ogłoszenia i źródła
Ile ogłoszeń MLOps pojawiało się co tydzień od 1 cze i z ilu źródeł pochodziły. Dolny wykres oddziela wzrost rynku od wzrostu naszego zasięgu: skok w tygodniu, w którym podłączono nowe źródła, oznacza, że zaczęliśmy widzieć więcej, a nie że rynek urósł.
Nowe ogłoszenia tygodniowo
Dane wykresu
| Okres | Nowe ogłoszenia tygodniowo |
|---|---|
| 2026-06-01 | 25 |
| 2026-06-08 | 18 |
| 2026-06-15 | 12 |
| 2026-06-22 | 56 |
| 2026-06-29 | 38 |
| 2026-07-06 | 44 |
| 2026-07-13 | 67 |
| 2026-07-20 | 44 |
| 2026-07-27 | 24 |
| 2026-08-03 | 25 |
| 2026-08-10 | 29 |
| 2026-08-17 | 20 |
| 2026-08-24 | 24 |
| 2026-08-31 | 30 |
| 2026-09-07 | 24 |
| 2026-09-14 | 34 |
| 2026-09-21 | 53 |
| 2026-09-28 | 59 |
| 2026-10-05 | 56 |
| 2026-10-12 | 151 |
| 2026-10-19 | 54 |
| 2026-10-26 | 70 |
| 2026-11-02 | 85 |
| 2026-11-09 | 73 |
Aktywne źródła w tygodniu
Źródeł w całym okresie: 124. ▲ — tydzień, w którym podłączono dużo nowych źródeł.
Dane wykresu
| Okres | Aktywne źródła |
|---|---|
| 2026-06-01 | 11 |
| 2026-06-08 | 8 |
| 2026-06-15 | 5 |
| 2026-06-22 | 11 |
| 2026-06-29 | 23 |
| 2026-07-06 | 19 |
| 2026-07-13 | 28 |
| 2026-07-20 | 14 |
| 2026-07-27 | 14 |
| 2026-08-03 | 19 |
| 2026-08-10 | 18 |
| 2026-08-17 | 15 |
| 2026-08-24 | 12 |
| 2026-08-31 | 20 |
| 2026-09-07 | 14 |
| 2026-09-14 | 18 |
| 2026-09-21 | 24 |
| 2026-09-28 | 23 |
| 2026-10-05 | 22 |
| 2026-10-12 | 32 |
| 2026-10-19 | 27 |
| 2026-10-26 | 29 |
| 2026-11-02 | 36 |
| 2026-11-09 | 41 |
Podłączono nowe źródła: 29 cze +14 · 6 lip +8 · 13 lip +15 · 9 lis +14 · wszystkie tygodnie (23) — w tabeli
| Tydzień | Nowe źródła | Nowe ogłoszenia |
|---|---|---|
| 8 cze | +3 | 18 |
| 15 cze | +1 | 12 |
| 22 cze | +5 | 56 |
| 29 cze | +14 | 38 |
| 6 lip | +8 | 44 |
| 13 lip | +15 | 67 |
| 20 lip | +5 | 44 |
| 27 lip | +3 | 24 |
| 3 sie | +3 | 25 |
| 10 sie | +4 | 29 |
| 17 sie | +6 | 20 |
| 24 sie | +1 | 24 |
| 31 sie | +4 | 30 |
| 7 wrz | +2 | 24 |
| 14 wrz | +3 | 34 |
| 21 wrz | +5 | 53 |
| 28 wrz | +1 | 59 |
| 5 paź | +2 | 56 |
| 12 paź | +5 | 151 |
| 19 paź | +2 | 54 |
| 26 paź | +3 | 70 |
| 2 lis | +4 | 85 |
| 9 lis | +14 | 73 |
Bieżący tydzień jeszcze się nie skończył i nie jest pokazany: niepełny tydzień wyglądałby jak spadek.
Tydzień = data pierwszego pojawienia się ogłoszenia, wszystkie statusy; ogłoszenia wybiera ta sama reguła co licznik tej strony. Źródła to różne kanały zbierania; ich nazw nie publikujemy.
Dane wykresu
| Tydzień | Nowe ogłoszenia tygodniowo | Aktywne źródła |
|---|---|---|
| 2026-06-01 | 25 | 11 |
| 2026-06-08 | 18 | 8 |
| 2026-06-15 | 12 | 5 |
| 2026-06-22 | 56 | 11 |
| 2026-06-29 | 38 | 23 |
| 2026-07-06 | 44 | 19 |
| 2026-07-13 | 67 | 28 |
| 2026-07-20 | 44 | 14 |
| 2026-07-27 | 24 | 14 |
| 2026-08-03 | 25 | 19 |
| 2026-08-10 | 29 | 18 |
| 2026-08-17 | 20 | 15 |
| 2026-08-24 | 24 | 12 |
| 2026-08-31 | 30 | 20 |
| 2026-09-07 | 24 | 14 |
| 2026-09-14 | 34 | 18 |
| 2026-09-21 | 53 | 24 |
| 2026-09-28 | 59 | 23 |
| 2026-10-05 | 56 | 22 |
| 2026-10-12 | 151 | 32 |
| 2026-10-19 | 54 | 27 |
| 2026-10-26 | 70 | 29 |
| 2026-11-02 | 85 | 36 |
| 2026-11-09 | 73 | 41 |
Wynagrodzenia w czasie
Mediana wynagrodzenia MLOps tygodniowo, USD miesięcznie.
Mediana wynagrodzenia, USD miesięcznie
Dane wykresu
| Okres | Mediana | Oferty z wynagrodzeniem w tygodniu (n) |
|---|---|---|
| 2026-10-19 | 9550 | 12 |
| 2026-10-26 | 9457 | 16 |
| 2026-11-02 | 7750 | 13 |
| 2026-11-09 | — | 7 |
Seria zaczyna się 19 paź: wcześniej brak danych.
Tylko ogłoszenia z wynagrodzeniem w USD i znanym okresem (miesiąc lub rok), od 500 do 50 000 $ miesięcznie. Tygodnie, w których takich ogłoszeń jest mniej niż 10, są puste — to brak danych, a nie zero.
Dane wykresu
| Tydzień | Mediana |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | — |
| 2026-07-27 | — |
| 2026-08-03 | — |
| 2026-08-10 | — |
| 2026-08-17 | — |
| 2026-08-24 | — |
| 2026-08-31 | — |
| 2026-09-07 | — |
| 2026-09-14 | — |
| 2026-09-21 | — |
| 2026-09-28 | — |
| 2026-10-05 | — |
| 2026-10-12 | — |
| 2026-10-19 | 9550 |
| 2026-10-26 | 9457 |
| 2026-11-02 | 7750 |
| 2026-11-09 | — |
Praca zdalna w czasie
Udział ofert MLOps z pracą w pełni zdalną, tydzień po tygodniu.
Ogłoszenia zdalne, %
Dane wykresu
| Okres | Zdalnie |
|---|---|
| 2026-06-01 | 64,7 |
| 2026-06-08 | 50 |
| 2026-06-15 | — |
| 2026-06-22 | 46,9 |
| 2026-06-29 | 54,5 |
| 2026-07-06 | 48,3 |
| 2026-07-13 | 42,9 |
| 2026-07-20 | 63,4 |
| 2026-07-27 | 76,5 |
| 2026-08-03 | 9,5 |
| 2026-08-10 | 45 |
| 2026-08-17 | 16,7 |
| 2026-08-24 | 25 |
| 2026-08-31 | 52,2 |
| 2026-09-07 | 23,8 |
| 2026-09-14 | 26,1 |
| 2026-09-21 | 35,7 |
| 2026-09-28 | 49 |
| 2026-10-05 | 28 |
| 2026-10-12 | 32,7 |
| 2026-10-19 | 15,4 |
| 2026-10-26 | 29,7 |
| 2026-11-02 | 30,6 |
| 2026-11-09 | 43,9 |
Udział liczony jest wśród ogłoszeń, które podają tryb pracy (zdalnie, hybrydowo, biuro). Tygodnie, w których takich ogłoszeń jest mniej niż 10, są puste.
Dane wykresu
| Tydzień | Zdalnie |
|---|---|
| 2026-06-01 | 64,7 |
| 2026-06-08 | 50 |
| 2026-06-15 | — |
| 2026-06-22 | 46,9 |
| 2026-06-29 | 54,5 |
| 2026-07-06 | 48,3 |
| 2026-07-13 | 42,9 |
| 2026-07-20 | 63,4 |
| 2026-07-27 | 76,5 |
| 2026-08-03 | 9,5 |
| 2026-08-10 | 45 |
| 2026-08-17 | 16,7 |
| 2026-08-24 | 25 |
| 2026-08-31 | 52,2 |
| 2026-09-07 | 23,8 |
| 2026-09-14 | 26,1 |
| 2026-09-21 | 35,7 |
| 2026-09-28 | 49 |
| 2026-10-05 | 28 |
| 2026-10-12 | 32,7 |
| 2026-10-19 | 15,4 |
| 2026-10-26 | 29,7 |
| 2026-11-02 | 30,6 |
| 2026-11-09 | 43,9 |
Technologie w czasie
Jak zmieniał się udział ofert MLOps, w których pojawia się każda z czołowych technologii.
Ogłoszenia wymieniające technologię, %
Dane wykresu
| Okres | MLOps | cloud | Python |
|---|---|---|---|
| 2026-08-10 | 96 | 16 | 16 |
| 2026-08-17 | 100 | 25 | 20 |
| 2026-08-24 | 87 | 17,4 | 30,4 |
| 2026-08-31 | 96,2 | 7,7 | 38,5 |
| 2026-09-07 | 91,3 | 26,1 | 8,7 |
| 2026-09-14 | 97 | 6,1 | 3 |
| 2026-09-21 | 95,9 | 30,6 | 36,7 |
| 2026-09-28 | 94,9 | 44,1 | 50,8 |
| 2026-10-05 | 94,4 | 31,5 | 53,7 |
| 2026-10-12 | 89,3 | 45,6 | 30,9 |
| 2026-10-19 | 94,3 | 60,4 | 56,6 |
| 2026-10-26 | 86,2 | 30,8 | 53,8 |
| 2026-11-02 | 85,9 | 38,5 | 46,2 |
| 2026-11-09 | 91,8 | 49,3 | 38,4 |
Udział wśród ogłoszeń z otagowanym stosem; seria zaczyna się 10 sie: wcześniej tagi stosu nadawano inaczej. Tygodnie z mniej niż 20 otagowanymi ogłoszeniami są puste.
Dane wykresu
| Tydzień | MLOps | cloud | AWS | Python | Docker |
|---|---|---|---|---|---|
| 2026-08-10 | 96 | 16 | 4 | 16 | 12 |
| 2026-08-17 | 100 | 25 | 25 | 20 | 25 |
| 2026-08-24 | 87 | 17,4 | 8,7 | 30,4 | 21,7 |
| 2026-08-31 | 96,2 | 7,7 | 0 | 38,5 | 34,6 |
| 2026-09-07 | 91,3 | 26,1 | 8,7 | 8,7 | 8,7 |
| 2026-09-14 | 97 | 6,1 | 0 | 3 | 12,1 |
| 2026-09-21 | 95,9 | 30,6 | 18,4 | 36,7 | 20,4 |
| 2026-09-28 | 94,9 | 44,1 | 37,3 | 50,8 | 32,2 |
| 2026-10-05 | 94,4 | 31,5 | 22,2 | 53,7 | 18,5 |
| 2026-10-12 | 89,3 | 45,6 | 31,5 | 30,9 | 30,2 |
| 2026-10-19 | 94,3 | 60,4 | 32,1 | 56,6 | 28,3 |
| 2026-10-26 | 86,2 | 30,8 | 27,7 | 53,8 | 29,2 |
| 2026-11-02 | 85,9 | 38,5 | 32,1 | 46,2 | 21,8 |
| 2026-11-09 | 91,8 | 49,3 | 32,9 | 38,4 | 27,4 |
Kraje w czasie
Jak zmieniał się udział ofert MLOps w każdym z czołowych krajów, tydzień po tygodniu.
Ogłoszenia w kraju, %
Dane wykresu
| Okres | Polska | Wielka Brytania | Rosja |
|---|---|---|---|
| 2026-06-01 | 24 | 8 | 16 |
| 2026-06-08 | — | — | — |
| 2026-06-15 | — | — | — |
| 2026-06-22 | 77,8 | 1,9 | 1,9 |
| 2026-06-29 | 30,6 | 2,8 | 22,2 |
| 2026-07-06 | 13,2 | 10,5 | 23,7 |
| 2026-07-13 | 32,7 | 5,5 | 1,8 |
| 2026-07-20 | 63,4 | 2,4 | 19,5 |
| 2026-07-27 | 50 | 4,5 | 18,2 |
| 2026-08-03 | 4,8 | 23,8 | 4,8 |
| 2026-08-10 | 0 | 22,2 | 25,9 |
| 2026-08-17 | — | — | — |
| 2026-08-24 | 0 | 43,5 | 17,4 |
| 2026-08-31 | 0 | 11,5 | 50 |
| 2026-09-07 | — | — | — |
| 2026-09-14 | 15,4 | 7,7 | 23,1 |
| 2026-09-21 | 14,9 | 21,3 | 14,9 |
| 2026-09-28 | 35,3 | 15,7 | 2 |
| 2026-10-05 | 32,7 | 22,4 | 4,1 |
| 2026-10-12 | 22,5 | 7,8 | 2,3 |
| 2026-10-19 | 13,3 | 24,4 | 6,7 |
| 2026-10-26 | 13,8 | 17,2 | 10,3 |
| 2026-11-02 | 13,4 | 17,9 | 1,5 |
| 2026-11-09 | 11,1 | 6,3 | 12,7 |
Udział wśród ogłoszeń ze znanym krajem; wykres pokazuje pięć krajów z największą liczbą ogłoszeń w ciągu sześciu miesięcy. Tygodnie z mniej niż 20 ogłoszeniami ze znanym krajem są puste. Rosnący udział może oznaczać nowo podłączone źródło w tym kraju, a nie wzrost rynku.
Dane wykresu
| Tydzień | Polska | Wielka Brytania | USA | Rosja | Indie |
|---|---|---|---|---|---|
| 2026-06-01 | 24 | 8 | 28 | 16 | 16 |
| 2026-06-08 | — | — | — | — | — |
| 2026-06-15 | — | — | — | — | — |
| 2026-06-22 | 77,8 | 1,9 | 3,7 | 1,9 | 3,7 |
| 2026-06-29 | 30,6 | 2,8 | 11,1 | 22,2 | 5,6 |
| 2026-07-06 | 13,2 | 10,5 | 10,5 | 23,7 | 10,5 |
| 2026-07-13 | 32,7 | 5,5 | 20 | 1,8 | 14,5 |
| 2026-07-20 | 63,4 | 2,4 | 0 | 19,5 | 4,9 |
| 2026-07-27 | 50 | 4,5 | 4,5 | 18,2 | 0 |
| 2026-08-03 | 4,8 | 23,8 | 19 | 4,8 | 9,5 |
| 2026-08-10 | 0 | 22,2 | 3,7 | 25,9 | 11,1 |
| 2026-08-17 | — | — | — | — | — |
| 2026-08-24 | 0 | 43,5 | 8,7 | 17,4 | 4,3 |
| 2026-08-31 | 0 | 11,5 | 3,8 | 50 | 3,8 |
| 2026-09-07 | — | — | — | — | — |
| 2026-09-14 | 15,4 | 7,7 | 7,7 | 23,1 | 15,4 |
| 2026-09-21 | 14,9 | 21,3 | 14,9 | 14,9 | 2,1 |
| 2026-09-28 | 35,3 | 15,7 | 11,8 | 2 | 5,9 |
| 2026-10-05 | 32,7 | 22,4 | 22,4 | 4,1 | 0 |
| 2026-10-12 | 22,5 | 7,8 | 10,1 | 2,3 | 12,4 |
| 2026-10-19 | 13,3 | 24,4 | 15,6 | 6,7 | 15,6 |
| 2026-10-26 | 13,8 | 17,2 | 24,1 | 10,3 | 5,2 |
| 2026-11-02 | 13,4 | 17,9 | 11,9 | 1,5 | 9 |
| 2026-11-09 | 11,1 | 6,3 | 14,3 | 12,7 | 11,1 |
Czysty rynek: indeks zatrudnienia
Ten sam zestaw 7505 stron kariery pracodawców; liczba ogłoszeń pochodzi z samej strony. Podłączanie nowych źródeł nie rusza tego indeksu — pokazuje rynek, a nie nasz zasięg. To cały rynek panelu, a nie tylko MLOps.
Indeks zatrudnienia, 16 paź = 100
Dane wykresu
| Okres | Indeks zatrudnienia |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Indeks łańcuchowy: każdego dnia porównujemy tylko strony odpytane zarówno tego dnia, jak i poprzedniego; wartości odstające i awarie odpytywania całej platformy są wykluczone. Dni bez porównywalnych par są puste.
Dane wykresu
| Dzień | Indeks zatrudnienia |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Ile jest otwartych ofert MLOps i ilu pasujących specjalistów widzi Zorky.
Popyt i obserwowana podaż
Dane wykresu
| Wskaźnik | Wartość |
|---|---|
| Otwarty popyt | 354 |
| Otwarty popyt | 354 |
| Obserwowana podaż | — nie publikujemy |
MLOps Engineer — najbardziej „odporna na recesję” nisza AI/ML (produkcja potrzebuje jej nieustannie). Wzrost 2026 napędzany przez: infrastrukturę serwowania LLM (adopcja vLLM / TGI / SGLang), wdrażanie modeli bazowych w enterprise, budowę wewnętrznych narzędzi platform ML, presję na optymalizację kosztów (koszty GPU typowo $10K+/miesiąc na zespół). Rosja — stały strumień. Międzynarodowe firmy platform ML (Truefoundry / Bento / Determined AI / Run:AI) — segment zdalny premium.
⚠ kandydaci pasujący do oferty nie są jeszcze liczeni: pokazujemy popyt i obserwowaną pulę
Jak rozkładają się wynagrodzenia w ofertach MLOps, w dolarach USA miesięcznie.
Rozkład wynagrodzeń
Dane wykresu
| Wskaźnik | Wartość |
|---|---|
| <$1k | 0 |
| $1–2k | 1 |
| $2–3k | 1 |
| $3–4k | 3 |
| $4–5k | 3 |
| $5–6k | 1 |
| $6–7k | 7 |
| $7–8k | 3 |
| $8–9k | 6 |
| $9–10k | 3 |
| $10–12k | 4 |
| $12–15k | 5 |
| $15–20k | 3 |
| $20k+ | 1 |
- nadaje się do obliczeń: 41 (11,6%)
- podano, ale nie przeliczono na USD/mies.: 49 (13,8%)
- nie podano: 264 (74,6%)
W co dziesiątej ofercie widełki są poniżej $3894, w co dziesiątej — powyżej $13 750. Połowa ofert proponuje od $6000 do $11 608. Próba: 41.
Dane wykresu
| Wskaźnik | Dolna granica | Górna granica | Liczba |
|---|---|---|---|
| <$1k | 0 | 1000 | 0 |
| $1–2k | 1000 | 2000 | 1 |
| $2–3k | 2000 | 3000 | 1 |
| $3–4k | 3000 | 4000 | 3 |
| $4–5k | 4000 | 5000 | 3 |
| $5–6k | 5000 | 6000 | 1 |
| $6–7k | 6000 | 7000 | 7 |
| $7–8k | 7000 | 8000 | 3 |
| $8–9k | 8000 | 9000 | 6 |
| $9–10k | 9000 | 10 000 | 3 |
| $10–12k | 10 000 | 12 000 | 4 |
| $12–15k | 12 000 | 15 000 | 5 |
| $15–20k | 15 000 | 20 000 | 3 |
| $20k+ | 20 000 | — | 1 |
W jakich krajach jest najwięcej otwartych ofert MLOps.
Geografia popytu
| kraj | oferty | udział |
|---|---|---|
| Stany Zjednoczone | 58 | 19,7% |
| Polska | 50 | 16,9% |
| Indie | 26 | 8,8% |
| Wielka Brytania | 23 | 7,8% |
| Niemcy | 18 | 6,1% |
| Francja | 16 | 5,4% |
| Rosja | 16 | 5,4% |
| Kanada | 12 | 4,1% |
| Rumunia | 9 | 3,1% |
| Holandia | 5 | 1,7% |
| Pozostałe kraje | 62 | 21% |
Liderem pod względem liczby ofert MLOps są USA (58 stanowisk). Polska — europejski hub przyjazny platformom AI. Niemcy — berliński klaster AI. Duży międzynarodowy rynek zdalny przez firmy platform ML (Truefoundry / Bento / W&B / Comet / Determined AI) + zespoły MLOps w startupach AI.
⚠ tylko liczba ofert: wynagrodzenia według krajów nie są publikowane
Dane wykresu
| Kraj | Oferty |
|---|---|
| US | 58 |
| PL | 50 |
| IN | 26 |
| GB | 23 |
| DE | 18 |
| FR | 16 |
| RU | 16 |
| CA | 12 |
| RO | 9 |
| NL | 5 |
Jakie technologie najczęściej są wymagane w jednej ofercie razem z MLOps.
Używana razem z
Udział — ile z 354 ofert rynku MLOps wymienia tę technologię. Kolejność według liczby ofert, a nie „siły powiązania”. Ogólne pojęcia, jak cloud, to nie konkretna chmura (AWS, Azure).
Najpopularniejszy stack MLOps 2026: Python + Go jako atut, biegłość w Docker + biegłość w Kubernetes (standard produkcyjny), Helm + Kustomize + ArgoCD / FluxCD (GitOps), Terraform + Pulumi / CloudFormation (IaC), MLflow (rejestr modeli + śledzenie — standard open-source) + Kubeflow + Kubeflow Pipelines, Airflow / Prefect / Dagster (workflow), Feast / Tecton (feature stores), Triton Inference Server + BentoML + TorchServe + KServe (serwowanie modeli), vLLM + TGI + SGLang + Ollama (serwowanie LLM — obowiązkowo w 2026), Prometheus + Grafana + Loki + OpenTelemetry, Evidently AI + WhyLabs + Arize AI + Fiddler (monitoring ML + drift), DVC + LakeFS, AWS SageMaker / GCP Vertex AI / Azure ML / Databricks (zarządzany ML w chmurze), Spark + Ray (obliczenia rozproszone), NVIDIA GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows (operatory ML dla K8s).
Typowe pary: Kubernetes + Helm + ArgoCD + Terraform, MLflow + Kubeflow + Feast, Triton + KServe + Prometheus + Grafana, vLLM + TGI + SGLang (stack serwowania LLM), AWS SageMaker + Terraform + GitHub Actions, GCP Vertex AI + Kubeflow Pipelines, Databricks + MLflow + Spark, Evidently AI + Prometheus + Grafana (observability ML). Roadmapa nauki: podstawy DevOps (Linux + Docker + K8s) → Terraform + dogłębnie platforma chmurowa → CI/CD + GitOps → podstawy ML (Python + sklearn + PyTorch) → MLflow + Feast (fundament platformy ML) → Triton / vLLM (serwowanie) → Evidently AI (monitoring) → projekt własny platformy ML → wkład w open source.
Dane wykresu
| Nazwa | Liczba |
|---|---|
| mlops | 277 |
| cloud | 147 |
| aws | 122 |
| python | 119 |
| docker | 105 |
| kubernetes | 102 |
| azure | 83 |
| mlflow | 56 |
| gcp | 52 |
| llm | 50 |
| airflow | 48 |
| databricks | 37 |
Ile jest ofert MLOps na każdym poziomie — od junior do principal.
Popyt według poziomu
| poziom | oferty |
|---|---|
| senior | 126 |
| middle | 30 |
| principal | 24 |
| lead | 16 |
| junior | 11 |
Junior — typowe wejście: DevOps Middle + zainteresowanie ML LUB ML Engineer Middle + zainteresowanie infrastrukturą LUB Backend Senior + kursy ML. Ścieżka kariery: Junior (1-2 lata) → Middle (2-3 lata) → Senior → albo Staff / Principal MLOps (głęboko techniczny), MLOps Tech Lead / Platform Engineering Manager, albo Founder w startupie platformy ML.
⚠ tylko strona popytu: poziom większości obserwowanej puli jest nieznany
Dane wykresu
| Poziom | Liczba |
|---|---|
| senior | 126 |
| middle | 30 |
| principal | 24 |
| lead | 16 |
| junior | 11 |
Kto najwięcej zatrudnia w obszarze MLOps i jak bardzo popyt skupia się u największych firm.
Pracodawcy
Popyt rozkłada się na 280 pracodawców. Największy odpowiada za 1.2%, pierwsza dziesiątka za 9.3%; pozostałe 90.7% to długi ogon.
| udział | wartość |
|---|---|
| top-1 | 1.2% |
| top-3 | 3.4% |
| top-10 | 9.3% |
| długi ogon | 90.7% |
⚠ nazw nie pokazujemy: klasyfikator jeszcze nie odróżnia agencji rekrutacyjnych od pracodawców końcowych
Z jakich stron firm i portali Zorky zbiera oferty MLOps.
Gdzie Zorky widzi ten rynek
Obserwowane w 71 źródłach; największe odpowiada za 9.6% — ten rynek nie opiera się na jednym kanale.
Dane wykresu
| Klasa | Nazwa | Nazwa angielska | Liczba | Udział |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS i strony kariery | 181 | 0,5113 |
| board | джоб-борды и агрегаторы | portale pracy i agregatory | 146 | 0,4124 |
| telegram | Telegram | Telegram | 25 | 0,0706 |
| społeczność | сообщества и публичные профили | społeczność i profile publiczne | 2 | 0,0056 |
Najnowsze oferty MLOps ze stron karier firm.
Najnowsze ogłoszenia
- Inżynier MLOps (k/m) · RO
- Senior Inżynier MLOps (k/m) · RO
- MLOps Mühendisi · RO
- Junior Inżynier MLOps (k/m) · RO
- Senior Data Engineer, Taxonomy, AI Data Modeling, MLOps, YouTube Business · US
- AI/ML Platform MLOps Engineer · BR
- Oversee AI optimization, monitoring, security, and MLOps/LLMOps practices.
- Sr MLOps Engineer · US
Najnowsze otwarte oferty MLOps — najświeższe 10 stanowisk z odpowiednią jakością opisu. Pełna lista jest w naszym CRM lub pod linkiem „zobacz wszystkie” poniżej.
Sąsiednie rynki
MLOps Engineer pokrywa się z DevOps (podstawowy stack), Platform Engineer (nacisk na narzędzia wewnętrzne — łatwe przejście poziome), ML Engineer (rozumienie przepływu pracy ML), SRE (dogłębna niezawodność + observability), Backend Engineer (projektowanie systemów + wzorce API). Porównanie z ml-engineer/data-scientist/research — na wykresie SiblingSubnichesChart powyżej.
⚠ rynki sąsiednie do porównania nie są jeszcze określone
Jak to mierzymy
- 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
O danych
- Część przekrojów jest ukryta: pokrycie danymi jest jeszcze niewystarczające.
- Statystyki pokazujemy tylko tam, gdzie próba przechodzi próg jakości.
- Brak bloku nie oznacza wartości zero.
Obecnie ukryte przekroje: 8.
Kierunek: AI / ML / nauka o danych
Pokrewne specjalizacje
W ramach MLOps: MLOps Engineer (mid — infrastruktura dla jednego zespołu produktowego), Senior MLOps (platforma dla wielu zespołów + optymalizacja kosztów), ML Platform Engineer (wielokrotnego użytku platforma jako produkt dla organizacji), Staff / Principal MLOps (architektura dla organizacji z wieloma produktami), MLOps Tech Lead (zarządzanie zespołem + strategia platformy). Porównanie z ml-engineer/data-scientist/research — na wykresie słupkowym poniżej.
Najczęściej zadawane pytania
Najczęstsze pytania o MLOps Engineer: wynagrodzenie, MLOps vs DevOps vs Platform Engineer, MLflow vs Kubeflow vs Vertex AI vs SageMaker (drzewo decyzyjne 7 opcji), różnice względem ML Platform Engineer, praca zdalna, jak nim zostać (4-10 miesięcy od DevOps Middle / ML Engineer Middle), umiejętności Senior (serwowanie LLM + optymalizacja kosztów + platforma dla wielu zespołów). Odpowiedzi przeliczają się automatycznie.
Ile zarabia MLOps Junior, Middle, Senior lub Lead?
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. 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.
Jakiego stacku najczęściej wymagają oferty MLOps?
5 najważniejszych: mlops, ci/cd, cloud, aws, python. 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.
MLOps vs DevOps vs Platform Engineer — czym się różnią?
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).
MLflow vs Kubeflow vs Vertex AI vs SageMaker — co wybrać?
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.
Jaki odsetek ofert dotyczy pracy zdalnej?
Wśród ofert z określonym trybem pracy 31% dotyczy pracy zdalnej. Oferty bez określonego trybu nie wchodzą do mianownika; pracy hybrydowej nie zaliczamy do zdalnej.
Czym ML Platform Engineer różni się od MLOps Engineer?
MLOps Engineer (ogólnie) — może pracować w dowolnym zespole ML (zespół produktowy / laboratorium badawcze / konsulting AI). Stack: uniwersalny MLOps. ML Platform Engineer — Senior MLOps z fokusem na wielokrotnego użytku platformie-jako-produkcie dla całej organizacji (nie dla jednego zespołu). Do tego: projektowanie wewnętrznych API (dla innych ML Engineerów / DS), narzędzia self-service (szablony / scaffolding / narzędzia CLI — np. generate-new-model-project), zarządzanie SLA komponentów platformy (cele uptime / opóźnienia / przepustowości), systemy rozliczania kosztów (śledzenie zużycia mocy obliczeniowej per zespół + rozliczenia), dokumentacja onboardingowa + programy szkoleniowe dla członków innych zespołów ML, zarządzanie kompatybilnością wsteczną współdzielonych komponentów platformy, wkład w open source komponentów platformy (np. kontrybucje do Feast / Kubeflow). Staff / Principal MLOps — jeszcze wyżej, zwykle kieruje zespołem platformy ML (3-7 inżynierów MLOps + integracje z liderami DevOps / SRE / Data Platform). Wybór kariery: MLOps Engineer, jeśli lubisz codziennie praktycznie mierzyć się z nowym problemem, ML Platform Engineer, jeśli lubisz budować systemy wielokrotnego użytku i pracować z wieloma zespołami-odbiorcami. Wszystkie trzy to pełnoprawne ścieżki Senior+.
Od czego zacząć w MLOps w 2026?
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).
Ile otwartych ofert zawiera ta próba?
Opublikowana próba zawiera 354 otwartych ofert po połączeniu ponownych publikacji. To ta sama liczba co we wskaźniku głównym. Sekcja geograficzna opisuje zasięg próby; nie jest to szacunek całego rynku.
Jakich umiejętności potrzebuje Senior MLOps?
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. 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.
Zostaw zgłoszenie
Opisz zadanie i zostaw kontakt — zgłoszenie trafi do naszego CRM, a odpowiemy na podany kontakt.