לוקח מודלים שנבנו על ידי data scientists ובונה סביבם שירות production יציב, כולל pipeline לאימון מחדש וניטור drift. בחברת AI ישראלית עובד מול צוות דאטה ומול תשתית כדי לוודא שהמודל רץ ביעילות.
פסקת פתיחה לדוגמה
מהנדס/ת ML עם ניסיון בהטמעת מודלים ל-production
שורות הישג עם מספרים
הקטנת זמן inference ממוצע מ-450ms ל-80ms דרך quantization
בניית pipeline אימון מחדש אוטומטי שהחליף תהליך ידני של יום עבודה בשבוע
העלאת דיוק מודל בפרודקשן ב-8% דרך זיהוי וטיפול ב-data drift
הטמעת שני מודלים חדשים ל-production עם zero downtime deployment
כישורים שכדאי לציין
MLOps ו-model serving
Python ו-PyTorch/TensorFlow
בניית feature pipelines
ניטור model drift
אופטימיזציית inference
עבודה עם Docker/Kubernetes
ניהול ניסויי A/B למודלים
עיצוב APIs להגשת מודל
מערכות וכלים
PyTorch
MLflow
Kubernetes
SageMaker/Vertex AI
Docker
טעויות נפוצות בקורות חיים למהנדס/ת למידת מכונה (ML Engineer)
כתיבת 'ניסיון ב-ML' בלי לציין אם מדובר במחקר או בהטמעת production
לא מבדילים בין תפקיד data scientist לתפקיד ML engineer