Вакансии

Задачи: — Разработка и поддержка пайплайнов. — Проектирование ETL/ELT-процессов для переноса данных из PostgreSQL и других источников в ClickHouse. — Написание надёжных и идемпотентных DAG в Airflow для регулярного обновления витрин данных. — Построение слоёв данных с использованием dbt. — Обеспечение качества данных: тесты, проверка свежести, мониторинг аномалий. — Оптимизация хранилища и производительности. — Тюнинг ClickHouse: настройка схем таблиц под конкретные бизнес-запросы, устранение узких мест. — Оптимизация SQL-запросов для снижения нагрузки на БД. — Управление ресурсами кластера ClickHouse: CPU, RAM, Disk I/O. — Контроль стоимости хранения. — Администрирование и надёжность. — Обеспечение отказоустойчивости: настройка репликации и бэкапов. — Мониторинг состояния пайплайнов и баз данных. — Оперативное реагирование на инциденты. Требования: — Глубокое знание ClickHouse. — Проектирование схем: знание семейства движков MergeTree, выбор ключей партиционирования и сортировки для оптимального сжатия и скорости чтения. — Оптимизация запросов: умение читать планы запросов, оптимизировать потребление памяти, настраивать материализованные представления (Materialized Views) и проекции. — Администрирование: настройка шардирования и репликации, управление TTL, мониторинг слияний. — Инструменты ETL/ELT и оркестрация. — Оркестрация: управление сбором данных через Apache Airflow. — Трансформация: опыт работы с dbt для построения слоев данных. — Языки и инфраструктура. — Python: разработка ETL-скриптов, работа с Pandas, интеграция с API. — SQL: владение на уровне эксперта (аналитические запросы, оптимизация). — Инфраструктура: Docker (для развертывания ClickHouse), Git. Условия: — Удаленная работа из любой точки мира. — Конкурентная зарплата + performance премия 2 раза в год. — Гибкий график и фокус на результат. — Оплата обучения, курсов и конференций. — Возможность реально влиять на продукт и команду.

Задачи: — Установление и поддержка инфраструктурных паттернов для рабочих нагрузок данных. — Проектирование и поддержка эталонных паттернов для платформ данных ZoomInfo: стриминг и месседжинг (Kafka/Confluent, Pub/Sub), операционные базы данных (PostgreSQL/Cloud SQL, MongoDB), аналитические хранилища (BigQuery, Snowflake), поиск (Elasticsearch/Solr), оркестрация и обработка пайплайнов (Apache Airflow/Cloud Composer, Dataflow/Apache Beam), открытые форматы таблиц (Apache Iceberg). — Разработка Terraform-модулей, GitOps-воркфлоу и документированных стандартов для использования командами данных. — Определение CI/CD и GitOps паттернов для задач и пайплайнов данных, сотрудничество с платформенной и дата-инженерной командами для безопасной и автоматизированной доставки данных. — Установление паттернов производительности, стоимости и наблюдаемости, включая оптимизацию запросов и хранения, мониторинг, алерты и практики SLO. — Определение базовых паттернов для резервного копирования, восстановления и аварийного восстановления данных с целями RTO/RPO. — Сотрудничество с FinOps по расходам на уровне данных. — Проведение обзоров рабочих нагрузок команд на соответствие паттернам и помощь в выравнивании. — Проведение POC новых технологий данных и предложений поставщиков в рамках процесса закупок и жизненного цикла технологий. — Определение паттернов подключения управляемых поставщиками сервисов данных к GCP с учетом безопасности, сетей и контроля затрат. — Поддержка усилий по консолидации данных и управлению ими, включая классификацию, резидентство и политику доступа. — Создание эталонных реализаций, написание ADR и сотрудничество с командами для внедрения паттернов. — Участие в еженедельных архитектурных обзорах, расширение библиотеки стандартов и каталога ADR. — Проведение дизайн-ревью, воркшопов и консультирование команд по инфраструктурным вопросам. Требования: — Умение влиять и коммуницировать, представлять рекомендации с прототипами, бенчмарками и обоснованиями. — Опыт архитектуры облачной инфраструктуры на GCP и/или AWS, включая compute, Kubernetes (GKE или эквивалент), VPC, IAM, стоимость и надежность. — Сильные навыки Terraform и GitOps, включая проектирование и ревью модулей. — Умение с уверенностью оценивать дизайн сервис-меш и сетей. — Практический опыт работы с инфраструктурой данных в масштабе от нескольких терабайт до петабайт с высокими нагрузками и чувствительностью к задержкам. — Глубокий опыт в минимум двух областях данных: стриминг и обработка потоков (Kafka/Confluent, Flink), реляционные операционные базы (PostgreSQL), NoSQL (MongoDB), колоночная аналитика и lakehouse (BigQuery, Snowflake, Iceberg), поиск (Elasticsearch/Solr), оркестрация и обработка пайплайнов (Airflow, Dataflow/Beam). — Навыки оптимизации производительности и стоимости, диагностики и исправления медленных или дорогих рабочих нагрузок. — Способность разрабатывать и тестировать прототипы, предпочитая рабочие решения диаграммам. — Опыт проведения технических оценок технологий и подготовки рекомендаций для руководства и закупок. Преимущества: — Опыт поддержки миграции lakehouse или data mesh с инфраструктурной стороны. — Реализация контроля классификации данных, резидентства и соответствия GDPR/CCPA на уровне инфраструктуры. — Опыт эксплуатации графовых или распределённых SQL баз данных. — Знание инфраструктурных требований AI/ML рабочих нагрузок. — Опыт создания или применения AI-усиленных рабочих процессов для разработчиков или архитекторов. — Участие в архитектурных советах или аналогичных органах управления. Образование и опыт: — Степень бакалавра в области компьютерных наук, технической области или эквивалентный практический опыт. — 10–15+ лет опыта в облачной инфраструктуре, платформенной или дата-инфраструктурной инженерии, включая несколько лет установления паттернов и стандартов, от которых зависят несколько команд. Условия: — Удалённая работа. — Годовая зарплата от $157,500 до $247,500 USD. — Дополнительная компенсация, включая бонусы, комиссионные, акции и другие льготы.

Location: San Francisco, CA | New York City, NY About Anthropic Anthropic’s mission is to create reliable, interpretable, and steerable AI systems. We want AI to be safe and beneficial for our users and for society as a whole. Our team is a quickly growing group of committed researchers, engineers, policy experts, and business leaders working together to build beneficial AI systems. About the role The Account Abuse team is tasked with ensuring Anthropic's computing capacity is allocated fairly, minimizing resources available to bad actors and preventing them from coming back. As a software engineer on this team, you will build the machine learning systems that help us detect and stop abuse at scale. The ideal candidate can see things from opponents' perspectives, understand their means and motives, and anticipate their responses to countermeasures. We're looking for full stack machine learning engineers with experience across model training, productionization, and evaluation. You'll also look for ways to use Claude to speed up how these models get built and maintained. This is classical ML on structured and behavioral data. You do not need a deep learning background or knowledge of LLM internals. What matters is that you have trained and shipped models where the stakes are real, and that you care about building robust production systems as much as the model itself. A false positive here is a legitimate customer locked out, so measurement, precision, and safe rollout are part of the job. Key responsibilities Build and operate a feature computation platform that serves both model training and real-time scoring, with point-in-time correct training data and low-latency online retrieval Train, evaluate, and deploy models that detect account-level abuse and fraud, running them both offline and online Build tooling that automates more of the model development lifecycle, including using Claude to speed up feature development, training, and evaluation Make backtesting, shadow deployment, and staged rollout the default path to production, with monitoring for training / serving skew, drift, and adversarial adaptation Work with our data scientists and our Policy & Enforcement team to improve label coverage and quality Partner with product and platform teams to gather signals and integrate model decisions with minimal impact on their systems' latency, stability, or overall architecture Minimum qualifications Proficiency in Python and SQL Experience training machine learning models and deploying them to production Experience building data pipelines with a batch processing engine (e.g., Spark, Beam) and a workflow scheduler (e.g., Airflow) Working understanding of point-in-time correctness and training / serving skew, and how to prevent both Strong communication skills and ability to explain technical tradeoffs to non-technical stakeholders Preferred qualifications Experience building or operating a feature platform such as Chronon, Feast, or Tecton Experience with stream processing engines such as Flink, Beam / Dataflow, or Kafka Streams Experience training ML models in a production setting with demanding serving requirements, such as fraud, risk, or ranking Experience with tree-based models on tabular data Experience building unsupervised, clustering-based or graph-based detection systems to surface coordinated account abuse Experience in integrity, spam, fraud, or abuse detection Experience working with scarce, delayed, or noisy labels Experience with AutoML or other approaches to automating the ML workflow Care about the societal impacts of AI and want your work to make powerful systems safer The annual compensation range for this role is listed below. For sales roles, the range provided is the role’s On Target Earnings ("OTE") range, meaning that the range includes both the sales commissions/sales bonuses target and annual base salary for the role. Annual Salary: $320,000 — $485,000 USD Logistics Minimum education: Bachelor’s degree or an equivalent combination of education, training, and/or experience Required field of study: A field relevant to the role as demonstrated through coursework, training, or professional experience Minimum years of experience: Years of experience required will correlate with the internal job level requirements for the position Location-based hybrid policy: Currently, we expect all staff to be in one of our offices at least 25% of the time. However, some roles may require more time in our offices. Visa sponsorship: We do sponsor visas! However, we aren't able to successfully sponsor visas for every role and every candidate. But if we make you an offer, we will make every reasonable effort to get you a visa, and we retain an immigration lawyer to help with this. For roles performing work in California: We will consider for employment all qualified applicants, including those with arrest or conviction records or criminal histories, in a manner consistent with the requirements of applicable state and local laws, including the San Francisco Fair Chance Ordinance, the City of Los Angeles’ Fair Chance Initiative for Hiring Ordinance, the Los Angeles County Fair Chance Ordinance for Employers, and the California Fair Chance Act. We encourage you to apply even if you do not believe you meet every single qualification. Not all strong candidates will meet every single qualification as listed.  Research shows that people who identify as being from underrepresented groups are more prone to experiencing imposter syndrome and doubting the strength of their candidacy, so we urge you not to exclude yourself prematurely and to submit an application if you're interested in this work. We think AI systems like the ones we're building have enormous social and ethical implications. We think this makes representation even more important, and we strive to include a range of diverse perspectives on our team. Your safety matters to us. To protect yourself from potential scams, remember that Anthropic recruiters only contact you from @anthropic.com email addresses. In some cases, we may partner with vetted recruiting agencies who will identify themselves as working on behalf of Anthropic. Be cautious of emails from other domains. Legitimate Anthropic recruiters will never ask for money, fees, or banking information before your first day. If you're ever unsure about a communication, don't click any links—visit anthropic.com/careers directly for confirmed position openings. How we're different We believe that the highest-impact AI research will be big science. At Anthropic we work as a single cohesive team on just a few large-scale research efforts. And we value impact — advancing our long-term goals of steerable, trustworthy AI — rather than work on smaller and more specific puzzles. We view AI research as an empirical science, which has as much in common with physics and biology as with traditional efforts in computer science. We're an extremely collaborative group, and we host frequent research discussions to ensure that we are pursuing the highest-impact work at any given time. As such, we greatly value communication skills. The easiest way to understand our research directions is to read our recent research. This research continues many of the directions our team worked on prior to Anthropic, including: GPT-3, Circuit-Based Interpretability, Multimodal Neurons, Scaling Laws, AI & Compute, Concrete Problems in AI Safety, and Learning from Human Preferences. Come work with us! Anthropic is a public benefit corporation headquartered in San Francisco. We offer competitive compensation and benefits, optional equity donation matching, generous vacation and parental leave, flexible working hours, and a lovely office space in which to collaborate with colleagues. Guidance on Candidates' AI Usage: Learn about our policy for using AI in our application process.

Location: São Paulo, Brazil About Turing Turing’s mission is to accelerate superintelligence to drive real economic progress. Headquartered in San Francisco, Turing works with frontier AI labs to generate high-quality datasets, reinforcement learning environments, and frontier research benchmarks that improve model capabilities in software engineering, enterprise knowledge work, and advanced STEM reasoning. In software engineering, Turing is the largest and longest-running data provider in the category. Turing also works with Fortune 500 enterprises across financial services, life sciences, healthcare, retail, automotive, and CPG to build and deploy end-to-end agentic AI systems inside mission-critical workflows. By operating on both sides, Turing closes the loop between frontier research and enterprise deployment, turning real-world deployment signals into better data, evaluations, and more capable models. Learn more at www.turing.com . ABOUT THE ROLE Turing is the world's leading research accelerator for frontier AI labs. The STEM Horizontal team produces the high-signal STEM data those labs train on, and this role builds the machinery behind it: the task-authoring tools, data pipelines, evaluation harnesses, sandboxed execution environments, and agentic workflows our researchers and domain experts work inside every day. This sits at the seam between engineering and research. You'll own production systems end-to-end, and you'll be the person a researcher pulls in to ask why an eval is producing misleading numbers. Correctness and reproducibility are the product: a subtle bug here doesn't crash anything, it quietly poisons a training run and costs weeks. If you want to build systems that visibly shape how frontier models learn to reason about code and science, this is the seat. WHAT YOU'LL DO Own services end-to-end: design, implementation, rollout, and production operation. Build backend services and the data pipelines that generate, validate, score, and version datasets, reproducible from a commit and a config. Ship data-dense internal interfaces: virtualised tables, server-side filtering, review and annotation UIs that stay fast at tens of thousands of rows. Build and operate agent harnesses , multi-step loops with tool use, retries, and structured output, running against real repos and test suites. Build sandboxed execution environments where model-generated code runs safely and deterministically at volume, and stand up the RL environments and eval harnesses on top. Trace and debug agent runs end-to-end: where the loop stalled, which tool call failed, why the grader disagreed with the human. Own infrastructure as code and CI/CD; debug production issues across the stack and drive the reliability work that follows. Raise the bar through code review, design docs, and innovation, partnering with researchers and quality owners on what “good” means. TECH STACK Backend Python · FastAPI · Django / Django Ninja · PostgreSQL · MongoDB · REST + OpenAPI Frontend TypeScript · React · Next.js · virtualised tables, server-side filtering Platform Linux · Docker · Terraform · CI/CD · AWS or GCP WHAT YOU NEED 6+ years building and operating production software, ideally at product companies with real scale. Deep Python with production FastAPI and/or Django , ORM performance, migrations, async patterns. Strong PostgreSQL (schema design, query optimisation, indexing) and NoSQL. Frontend production with TypeScript / React / Next.js . Fluent on Linux and Docker ; Terraform or comparable IaC on AWS or GCP , and ownership of the CI/CD that ships it. Daily use of LLM coding tools (Claude Code, Cursor, Copilot) as part of how you actually ship, with the judgement to review their output critically and know where they break down. We are an AI-forward team; this is a must-have. You've built something on top of LLM APIs that other people depended on, an agent, a pipeline, an eval, and you know where it was fragile. Comfort with non-deterministic systems : you can tell a real regression from noise, and you reach for a controlled experiment over a hunch. Advanced Git and real testing discipline, unit, integration, and the negative and edge cases people skip. Clear written communication; comfortable working without hand-holding, and comfortable saying when a spec is wrong. NICE TO HAVE Internal tools or developer platforms used daily by a technical team. Agent frameworks and protocols, LangGraph, MCP, OpenAI/Anthropic tool use. Sandboxing and untrusted code execution: gVisor, Firecracker, seccomp. Workflow orchestration (Temporal, Airflow, Prefect, Dagster) and Kubernetes beyond managed defaults. LLM coding benchmarks (SWE-bench, Terminal-Bench), eval frameworks, or exposure to RLHF / RLVR. PREFERRED BACKGROUND Bachelor's or Master's degree with 6+ years experience in Computer Science, Software Engineering, Data Science, Machine Learning, AI, or a programming-heavy IT field. We weight demonstrated work outcomes most heavily, a strong track record without a matching degree is fine. Values We are client first: We put our clients at the center of everything we do, because their success is the ultimate measure of our value. We work at Start-Up Speed: We move fast, stay agile and favor action because momentum is the foundation of perfection We are AI forward: We help our clients build the future of Al and implement it in our own roles and workflow to amplify productivity. Advantages of joining Turing Work at the frontier of AI , helping the world’s leading AI labs improve their most advanced models by building expert datasets, RL environments, and first-of-a-kind benchmarks. Contribute to leading-edge AI research and showcase your work at top conferences such as ICLR, ICML, and NeurIPS. Bring frontier AI innovation to the enterprise , applying lessons learned from leading AI labs to solve real-world business challenges. Collaborate with and learn from exceptional colleagues with deep AI experience from Google, Meta, Amazon, and other leading technology companies. Move at the pace of AI innovation , with the speed, ownership, and impact of a startup. Turing is proud to be an equal opportunity employer. We do not discriminate on the basis of race, religion, color, national origin, gender, gender identity, sexual orientation, age, marital status, disability, protected veteran status, or any other legally protected characteristics. At Turing we are dedicated to building a diverse, inclusive and authentic workplace  and celebrate authenticity, so if you’re excited about this role but your past experience doesn’t align perfectly with every qualification in the job description, we encourage you to apply anyways. You may be just the right candidate for this or other roles. For applicants from the European Union, please review Turing's GDPR notice here .

Задачи: — Разработка микросервисов управления данными Модели Космической Системы — Разработка пайплайнов обработки данных ETL/ELT — Интеграция вычислительных модулей (микросервисов) — Реализация процессов контроля качества данных — Разработка моделей данных и согласование дата-контрактов — Работа с СУБД Postgres, Clickhouse — Обработка и анализ данных в Pandas, NumPy, Polars Требования: — Инженерное или техническое образование (обязательно) — Опыт разработки на Python от 3х лет, на позиции Middle - от 1 года — Опыт работы с библиотеками для анализа данных: Pandas, NumPy, Polars — Понимание принципов проектирования и работы с хранилищами данных — Опыт работы с базами данных PostgreSQL, ClickHouse — Опыт работы с инструментами ETL/ELT (например, Airflow, Dagster, PandasETL) — Понимание принципов работы систем потоковой обработки данных — Опыт в разработке веб-приложений (FastAPI) — Опыт работы с контейнерами Docker — Опыт работы с инструментами командной разработки: Confluence, Jira, Git

Задачи: — Разработка, создание и поддержка надежных конвейеров обработки данных и процессов ETL/ELT для поддержки различных источников данных, включая структурированные и неструктурированные данные, с обеспечением высокого качества и целостности данных. — Создание и управление масштабируемыми архитектурами данных, обеспечивающими частые преобразования и манипуляции данными в сложных средах с множеством источников. — Тесное сотрудничество с аналитиками данных, специалистами по обработке данных и другими заинтересованными сторонами для обеспечения соответствия конвейеров обработки данных потребностям бизнеса. — Мониторинг, устранение неполадок и оптимизация конвейеров обработки данных для обработки крупномасштабных и разнообразных наборов данных, включая системы обработки в реальном времени и пакетной обработки. — Обеспечение соответствия стандартам управления данными, безопасности и конфиденциальности, внедрение передовых методов отслеживания происхождения данных, контроля доступа и аудита. — Постоянное отслеживание новых технологий обработки данных, фреймворков ИИ и передовых методов для непрерывного улучшения инфраструктуры и рабочих процессов. Требования: — Разработка конвейеров обработки данных: Опыт создания масштабируемых автоматизированных конвейеров обработки данных с использованием методологий ETL/ELT, опыт работы со сложными преобразованиями данных и частыми манипуляциями с данными. — Хороший опыт работы с Databricks. — Источники и форматы данных: Опыт работы с широким спектром источников данных, включая реляционные базы данных, NoSQL, API, потоковые данные (например, Apache Kafka) и неструктурированные форматы данных. — Программирование и скриптинг: Уверенные навыки программирования на Python (pySpark, SparkSQL), SQL. — Большие данные и облачные платформы: Практический опыт работы с фреймворками для обработки больших данных (Apache Spark) и облачными платформами (IBM Cloud, AWS, Azure, Google Cloud) для масштабируемой обработки и хранения данных. — Автоматизация и оркестровка: Знание инструментов оркестровки рабочих процессов, таких как Apache Airflow или Dagster, для планирования, управления зависимостями и восстановления после сбоев. — Качество и управление данными: Особое внимание уделяется качеству данных, происхождению данных, соответствию нормативным требованиям (GDPR, CCPA) и передовым методам обеспечения безопасности, включая шифрование и управление доступом на основе ролей. — Решение проблем в сложных средах: Способность ориентироваться и решать проблемы, связанные с крупномасштабными, гетерогенными экосистемами данных, обеспечивая надежность и производительность конвейера обработки данных в сложных условиях.

Location: Paris, France Workplace: Hybrid HEALTH CAN’T WAIT. Not for symptoms to get worse. Not for a six‑month appointment. Not for a system to catch up. But that’s exactly how healthcare works today. You wait, until you can’t. Alan exists to end the wait. Health is a universal right, and we believe this right can only become real when it’s coupled with prevention. We need to stop treating health as something we repair and start treating it as something we build, every day. It’s not solely a question of willpower. It’s the healthcare system itself that needs to work for everyone, in a sustainable way. So we are building the new standard in prevention insurance. Alan is the first company that integrates insurance, prevention, and care into a single, acclaimed user experience. We are on an incredible journey to build a global leading company, with a unique culture https://alan.com/en/careers. We already partner with 40K+ companies of all sizes, serving more than 1M+ members, and have reached €800M+ in ARR. Prevention as the new norm. That's what we're building with our team of 1000+ people. If it speaks to you: we're hiring across France, Spain, Belgium, and Canada. And beyond. ⭐️ THE DATA FOUNDATIONS TEAM ⭐ At Alan, every decision we make about our members' care, contracts and claims is a data decision. The Data Foundations team builds the platform that makes those decisions possible in a safe way. - Being part of the Data Foundations team means you’ll build, maintain, and improve the Data Platform used by everyone at Alan. - We enable Alan’s data-driven nature and help our colleagues make the most of their data. - Partner closely with people across Alan (technical and non-technical) to understand their needs and build data solutions they can trust and use effectively. - We own and manage all data-related tools that power Alan. - AI is changing the way companies work with data: agents are becoming first-class users of our data warehouse. It opens a world of new usage and exciting features, as well as concerns around security, data quality and governance. We are building the foundations that allow Alan to make the most of this exciting new paradigm. - Alan is expanding quickly: we went from 4 to 6 countries this year and we won’t stop there. Our objective is to onboard new countries in weeks, not months. Having strong data foundations is a cornerstone of that expansion, allowing our teams to make sense of a patchwork of insurance systems, regulations and reporting rules. - Examples of our missions: - improve the developer experience when building and maintaining data pipelines, - enable reliable and secure access to our data warehouse for Alaners and AI agents, - strengthen security and governance around our data assets, - define and implement standard data practices across Alan, - maintain and evolve our core data infrastructure to accommodate Alan's international expansion and growing product breadth… - Our core tools include Python, Airflow, Snowflake, AWS/GCP, Metabase, Terraform, dbt, and others. - Who you'll work with: Data Foundations is a small, high-leverage team inside the Tech Foundations area, whose mission is to enable product crews through world-class infrastructure, developer experience, operational excellence, and built-in security. You'd be joining as one of its core engineers, working daily with the whole Data community at Alan. 🎯 EXPECTED SKILLS AND ABILITIES You would thrive at Alan if most of this sounds like you: - Passionate about owning ambitious problems and developing simple solutions for them. - 3+ years of experience demonstrating impact in Data positions. We welcome candidates from early-career to highly experienced profiles. You may already have strong expertise in Data Engineering, or be an experienced data or software engineer looking to deepen your specialization in this area. - Experience building and operating production data infrastructure: orchestration (Airflow or similar), a cloud data warehouse, infrastructure as code. - Experience designing systems, tools or libraries used by other engineers, scientists or analysts. - Proficient in Python and SQL. Setting a high standard of rigor and precision for yourself, interested in your craft. - Curious about AI and eager to use it thoughtfully to increase your impact. - Great listening and communication skills. - Humble, kind, collaborative, and still willing to grow (no matter your seniority!). - Fluent and clear in English, both oral and written (no need to speak French!). For this role, we are looking to hire within the C0-E level range https://alan.com/en/careers/a/salary-equity. ⚙️ IMPORTANT NOTE: WE HIRE PEOPLE, NOT ROLES. If you're excited about this opportunity but don't check every box, we'd love to hear from you. Everyone, no matter how underrepresented, should feel free to apply, as it can only bring learning or success. If you identify yourself as a woman: Did you know that research shows women often apply only when meeting 100% of requirements? Remember, this is just a guide, not a checklist. We'll be thrilled to receive your application! 🔖 Check out our About Alan https://alan.com/about and Career https://alan.com/careers pages, as well as our Medium https://medium.com/alan, blog https://blog.alan.com/ and Glassdoor page https://www.glassdoor.com/Overview/Working-at-Alan-EI_IE1696043.11,15.htm for more info. YOU WANT TO KNOW MORE ABOUT ALAN? - 🙌 Perks & Benefits https://alan.com/en/careers/a/salary-equity: Alaners are provided with a stimulating environment and perks ensuring they are happy, efficient and spend only high-quality time with co-workers. - 🤘 A strong culture https://alan.com/en/about/a/leadership-principles: People joining Alan are often surprised and delighted by our innovative working method. We have a set of cultural values that guide our approach to work 🔄 A quick note about the process Note: While you're applying for a specific area, you may join a different engineering team based on where we think you'll have the most impact. Check out descriptions of other areas here https://www.notion.so/Software-Engineering-Areas-Alan-2c61426e8be7805bacd2cdbc08c32640?pvs=21. #LI-DNP

Location: Москва ИТ B2C — самая крупная экосистема в Сбере. Нас более 8000 человек в 18 городах России. Мы занимаемся разработкой и развитием розничных решений, помогая сделать сервисы Банка доступнее, безопаснее и удобнее. Ждем именно тебя!  Мы разрабатываем агентские RAG-системы, которые помогают компании улучшать клиентский опыт за счёт персонализированных решений. У нас уже есть рабочий продукт, работающий в проде и приносящий пользу. Сейчас команда активно работает над новыми применениями технологии и улучшает качество уже в рабочих направлениях. Обязанности * ML-разработка полного цикла – помочь понять что и зачем нужно бизнесу, перевести это в термины ML, проводить эксперименты, готовить решение к выводу в продакшн * разрабатывать, оптимизировать и поддерживать NLP пайплайны, включая RAG-системы и ассистентов для бизнес-задач. * создавать и развивать ИИ-агентов и мультиагентные системы (workflow-оркестрация, планирование, инструменты, memory-модули, интеграции с сервисами банка). * интегрировать агентские пайплайны в высоконагруженные сервисы банка, обеспечивая стабильность, производительность и мониторинг * разрабатывать сервисы вокруг моделей: API-слои, микросервисы, inference-скрипты, CI/CD для ML * обеспечивать качество кода и следить за инженерными практиками (тестирование, логирование, мониторинг) * проектирование и согласование архитектуры приложений и интеграций * развитие и разработка расчетных модулей системы, общих библиотек, - реализация интеграционных взаимодействий * формирование требований для построения мониторинга, логирования * проведение ревью кода, поддержка код стандарта, командные коммуникации * организация внутренних процессов в команде разработки. Требования * знание основ классического ML и NLP/LLM: классические задачи и архитектуры/подходы для их решения, метрики, процесс обучения моделей * опыт разработки и продакшен-внедрения RAG-систем, AI-ассистентов, работа с векторными хранилищами и retrieval-стеком * отличное знание Python, опыт написания промышленного, поддерживаемого и тестируемого кода, работы с параллелизмом и асинхронностью * плюсом будет знание CI/CD, владение инструментами разработки и инфраструктуры: Docker/Openshift/Kubernetes/Jenkins/Prometheus/Graphana/Kafka, PostgreSQL * опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки. Что ещё может пригодиться: * Hadoop, PySpark, Airflow * Scala, SQL * CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps. Условия * комфортный современный офис рядом с м. Кутузовская * возможность выбрать удобный график – офис/гибрид * ежегодный пересмотр зарплаты, квартальная и годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития   * программа адаптации и помощь руководителя на старте * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.

Location: Москва Мы разрабатываем агентские RAG-системы, которые помогают компании улучшать клиентский опыт за счёт персонализированных решений. У нас уже есть рабочий продукт, работающий в проде и приносящий пользу. Сейчас команда активно работает над новыми применениями технологии и улучшает качество уже в рабочих направлениях. обязанности. Обязанности * ML-разработка полного цикла – помочь понять что и зачем нужно бизнесу, перевести это в термины ML, проводить эксперименты, готовить решение к выводу в продакшн * разрабатывать, оптимизировать и поддерживать NLP пайплайны, включая RAG-системы и ассистентов для бизнес-задач * создавать и развивать ИИ-агентов и мультиагентные системы (workflow-оркестрация, планирование, инструменты, memory-модули, интеграции с сервисами банка) * интегрировать агентские пайплайны в высоконагруженные сервисы банка, обеспечивая стабильность, производительность и мониторинг. * разрабатывать сервисы вокруг моделей: API-слои, микросервисы, inference-скрипты, CI/CD для ML * обеспечивать качество кода и следить за инженерными практиками (тестирование, логирование, мониторинг). Требования * знание основ классического ML и NLP/LLM: классические задачи и архитектуры/подходы для их решения, метрики, процесс обучения моделей * опыт разработки и продакшен-внедрения RAG-систем, AI-ассистентов, работа с векторными хранилищами и retrieval-стеком * отличное знание Python, опыт написания промышленного, поддерживаемого и тестируемого кода, работы с параллелизмом и асинхронностью. Плюсом будет: * знание CI/CD, владение инструментами разработки и инфраструктуры - Docker/Openshift/Kubernetes/Jenkins/Prometheus/Graphana/Kafka, PostgreSQL. Что ещё может пригодиться: * Hadoop, PySpark, Airflow * Scala, SQL * CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps Условия * комфортный современный офис рядом с м. Кутузовская * возможность выбрать удобный график – офис/гибрид * ежегодный пересмотр зарплаты, квартальная и годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития   * программа адаптации и помощь руководителя на старте * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.

Задачи: — Развивать и сопровождать инфраструктуру AI-платформы. — Разворачивать и поддерживать сервисы в Kubernetes. — Контейнеризировать приложения и инфраструктурные компоненты с использованием Docker. — Разрабатывать и поддерживать CI/CD-пайплайны. — Автоматизировать рутинные операции с помощью Python и Bash. — Работать с ArgoCD и IaC-инструментами. — Настраивать мониторинг, логирование и health-checks. — Работать с persistent storage и S3/object storage. — Участвовать в эксплуатации AI/ML-сервисов и LLM inference, администрировать AI системы. — Постепенно осваивать GPU-инфраструктуру и особенности запуска AI-сервисов на GPU. — Участвовать в развитии внутренних стандартов deployment и эксплуатации AI-сервисов. — Разбираться в инцидентах и самостоятельно доводить технические задачи до результата. — Взаимодействовать с архитекторами, разработчиками, специалистами по кибербезопасности, ML-инженерами и системными администраторами. Требования: — Уверенное владение Linux и командной строкой. — Практический опыт с Docker и Docker Compose. — Базовый практический опыт работы с Kubernetes. — Понимание основных Kubernetes-объектов: Pod, Deployment, Service, ConfigMap, Secret, Ingress, PVC. — Опыт работы с Git. — Понимание принципов CI/CD и практический опыт работы хотя бы с одним CI/CD-инструментом. — Bash на уровне написания небольших скриптов автоматизации. — Python на уровне написания automation scripts и небольших сервисных утилит. — Базовое понимание сетей: TCP/IP, DNS, HTTP/HTTPS. — Понимание принципов мониторинга и логирования. — Понимание разницы между файловым, блочным и объектным хранилищем. — Понимание базовых принципов работы AI/ML-сервисов: model, training, inference, embeddings, LLM. — Понимание базовых принципов применения мер защиты от киберугроз. — Будет плюсом: Helm, Ansible, ArgoCD / GitOps, Prometheus / Grafana / Loki, S3 / MinIO, PostgreSQL / Redis, опыт работы с GPU и NVIDIA, NVIDIA Container Toolkit / CUDA, vLLM, SGLang, Triton или другие inference engines, MLflow, Airflow, Kubeflow или другие MLOps-инструменты, RAG, vector databases, embeddings, непосредственный опыт эксплуатации AI/ML или LLM-сервисов, опыт работы в инфраструктурной или DevOps-команде, опыт эксплуатации production-систем, опыт работы с on-premise инфраструктурой, опыт работы с Linux-серверами и Kubernetes-кластерами, понимание принципов отказоустойчивости и масштабирования. — Английский язык на уровне чтения технической документации. — Не требуется глубоких знаний ML и разработки нейронных сетей. — Не требуется самостоятельно обучать модели или разрабатывать ML-алгоритмы. — Важнее хорошая инженерная база, способность самостоятельно разбираться в проблемах и готовность постепенно углубляться в AI infrastructure. Условия: — Стабильный и прозрачный доход: размер заработной платы обсуждается по итогам собеседования + премия по результатам KPI. — Сложные и интересные задачи, современный стек технологий. — Забота о здоровье: программа ДМС с первых дней работы, включая стоматологию и обслуживание в лучших клиниках города. — Возможность вертикального и горизонтального карьерного роста: регулярные тренинги, вебинары, митапы и демо-дни. — Корпоративные предложения от партнёров группы АЛЬФА-БАНК. — Бесплатная мобильная связь Альфа-Мобайл.

Задачи: — Разработка моделей эластичности для различных групп клиентов, кластеризации клиентов по их поведенческим характеристикам — Разработка поведенческих моделей для прогнозирования динамики объемов различных сегментов розничного портфеля Банка в множестве сценариев на периоде жизни портфеля — Разработка моделей для оценки CLTV клиентов — Разработка моделей эластичности по ставкам и другим макрофакторам для различных банковских продуктов для управления структурой баланса Банка, ликвидностью и изменения ценовой политики по продуктам Требования: — Опыт работы в банковском/финансовом секторе от 3-х лет в роли аналитика/DS, понимание банковских бизнес-процессов, опыт в моделировании — Хорошие знания и опыт практического применения теории вероятности и математической статистики — Хорошие знания алгоритмов и методов машинного обучения и анализа данных: линейные модели, ансамблевые методы, модели для временных рядов, модели классификации и кластеризации — Опыт применения моделей классического ML на практике — Хорошие знания Python, опыт разработки моделей на языках Python или R, опыт написания модулей, классов и пр. — Опыт работы с базами данных, владение SQL — Хорошее знание английского языка Будет плюсом: — Выпускник ведущего технического и/или финансового ВУЗа — Опыт построения моделей прогнозирования клиентского поведения физлиц — Опыт разработки моделей для оценки CLTV клиента в банках — Опыт разработки моделей эластичности клиентов — Опыт работы с экосистемой Apache Hadoop (HDFS, Impala, Hive, Hue) — Опыт работы с фреймворком Apache Spark (Pyspark, MLlib, Spark SQL) — Опыт работы с системой контроля версий Git — Знания финансовой математики, случайных процессов и стохастического анализа — Опыт работы с Apache Airflow Условия: — Удаленный формат работы — Официальное оформление по ТК РФ с полным соблюдением (оплачиваемые отпуска, больничные) — Оплата переработок — Оплата внешних курсов и доступ к неограниченному количеству обучающих материалов — Возможность выступать на конференциях, проводить обучения, участвовать в митапах и вебинарах — Возможность занятий спортом вместе с компанией, участие в спортивных и киберспортивных командах — Забота о сотрудниках, развитие soft skills и современных техник коммуникации — Работа без привязки к геолокации

Задачи: — Активное участие в разработке микросервисов на Python — Участие в проработке технических требований, архитектуры и подходов к решению — Участие в управлении бэклогом команды, приоритезация и контроль выполнения задач — People-management: участие в найме, развитии и т.д. Требования: — Опыт работы в роли team lead/проведение code review – не менее 1 года — Опыт работы с ИИ моделями и их внедрением — 3 года коммерческой backend-разработки на Python — Понимание способов интеграций IT-систем (шины, очереди, API) — Практический опыт с Kubernetes, Redis, OpenSearch — Опыт работы с реляционными базами данных, уверенные знания SQL — Понимание принципов CI/CD — Понимание микросервисной архитектуры — Знания в области BigData (Hadoop, Spark) будет плюсом — Знание планировщиков процессов (AirFlow) — Опыт работы в банковской сфере — Понимание гибких методологий разработки (Agile) — Знание основных инструментов управления разработкой (например: Jira, Confluence) — Знания и опыт в machine learning — Опыт управления IT проектами, включая разработку и внедрение ML моделей в продакшн — Опыт разработки ML моделей в роли data scientist, data engineer, ML Ops Условия: — Полная занятость — Оформление по трудовому договору — График работы 5/2 — Удалённый формат работы

Задачи: — Проектировать и разрабатывать AI-агентов: реализовывать сценарии, оркестрацию, tool calling и интеграции с внутренними сервисами — Превращать прототипы и модели Data Science в надёжные промышленные решения: упаковывать, встраивать в сервисы и пайплайны, версионировать и сопровождать — Разрабатывать на Python сервисы, библиотеки и пайплайны, писать автотесты и участвовать в код-ревью — Проектировать, строить и сопровождать витрины данных для ML-моделей и агентов — Обрабатывать большие объёмы данных с помощью SQL, Hadoop и Spark, оптимизировать запросы и вычислительные задачи — Обеспечивать качество и наблюдаемость решений: логирование, мониторинг, обработку ошибок и контроль качества данных Требования: — Опыт промышленной разработки на Python от 2 лет — Умение писать поддерживаемый код: типизация, тестирование, обработка ошибок, логирование и работа с зависимостями — Уверенное владение SQL: сложные запросы, оконные функции, оптимизация и работа с большими наборами данных — Опыт построения и сопровождения ETL/ELT-пайплайнов и витрин данных — Опыт вывода сервисов, моделей или data-продуктов в промышленную эксплуатацию — Понимание принципов работы AI-агентов: оркестрация, tool calling, управление состоянием и интеграция с API — Понимание жизненного цикла ML-модели — от артефакта и данных до инференса, мониторинга и обновления Будут плюсом: — опыт с LangGraph, LangChain, LlamaIndex или собственными оркестраторами — LLM, RAG и векторные хранилища — оркестрация в Airflow — Kafka и событийные архитектуры — Docker, CI/CD и Kubernetes — Hadoop и Spark — внедрение ML/LLM-сервисов во внутреннем контуре — опыт в банковском домене или продуктах для юридических лиц

О нас за минуту DV Group — это eRetail маркетинг. У нас две собственные платформы: CDP (DV Platform) — сегментирует покупателей по чековым данным, MAID, строит Sales Lift. DSP (DV Programmatic) — закупает трафик в RTB с таргетингом на реальных онлайн-покупателей (не на интересы). Уникальная интеграция с ПБД. Что предстоит делать Разработка и внедрение ML-моделей Анализ больших объемов данных Построение recommendation / prediction моделей Подготовка и очистка данных Проведение A/B тестов Написание сложных запросов ClickHouse и их оптимизация Взаимодействие с frontend-разработчиками, backend-разработчиками, аналитиками, product-менеджером и DevOps Кто нам нужен Python, SQL, Spark, ClickHouse pandas, numpy, scikit-learn Опыт работы с ML-моделями Работа с оркестраторами (Dagster, Airflow) и Kubernetes Понимание статистики и теории вероятностей Способность разрабатывать надежные ETL пайплайны Что предлагаем Зарплата: 200 000 – 220 000 ₽ оклад net + годовая премия Формат: гибрид или полная удалёнка, но ты проживаешь в РФ График: 10:00–19:00 ДМС со стоматологией после испытательного срока, локация Москва Свой бариста в офисе и правда классный Экспертная среда — никакой скуки, только реальные AdTech-задачи и возможность влиять на продукт Продукт в реестре отечественного ПО — это важно для нас и для клиентов.

Задачи: — Разработка генеративных ИИ-моделей для синтеза визуального и проектного контента на основе структурированных данных товарного каталога в рамках проверки гипотез (PoC) внутри корпоративной платформы по оценке ИИ-инициатив — Разработка архитектуры агентов: управление состоянием диалога и контекстом, динамический выбор инструментов (tool calling), настройка уровней автономности и сценариев human-in-the-loop — Построение системы метрик: разработка офлайн- и онлайн-показателей, кросс-валидация, прямая оценка бизнес-эффекта — Непрерывный мониторинг дрейфа моделей и качества данных в продакшене — Построение пайплайнов оценки (LLM Evals): контроль галлюцинаций, релевантности ответов и мониторинг поведения системы — Обеспечение безопасности: защита от prompt injection, предотвращение утечек персональных данных (PII/privacy) и аудит прав доступа агента — Оценка стоимости, latency и масштабируемости LLM-решений Требования: — Глубокое понимание жизненного цикла ML-модели: от подготовки признаков до интерпретации результатов — Знание методов борьбы с переобучением, data leakage, регуляризации — Уверенный выбор алгоритмов под задачу — Владение матстатистикой для проверки гипотез, расчета доверительных интервалов и самостоятельного дизайна A/B-тестов — Опыт работы хотя бы в одном из направлений: классическое машинное обучение, временные ряды и прогнозирование — Языки и библиотеки: Python (pandas/polars, NumPy, scikit-learn, CatBoost/XGBoost/LightGBM, PyTorch), продвинутый SQL — Написание поддерживаемого production-кода: модульная архитектура, юнит-тесты, логирование, документация, работа с GitFlow и код-ревью — Практический опыт работы с API языковых моделей, платформой Hugging Face и orchestration-фреймворками — Опыт работы в e-commerce, retail или других продуктовых highload-системах — Инфраструктура и оркестрация: Airflow, MLflow, Kafka, Redis, Kubernetes — Мониторинг и наблюдаемость: Prometheus, Grafana, OpenTelemetry — Опыт эксплуатации GPU-инфраструктуры и оптимизации inference — Адаптация моделей через fine-tuning (LoRA/PEFT) — Опыт проектирования agentic workflows или multi-agent-систем — Понимание принципов информационной безопасности, privacy и работы с персональными данными

About this role As the Senior Staff Machine Learning Platform Engineer, you will own the technical vision and evolution of Faire’s ML platform. You will set standards, influence org-wide architecture, and lead complex, cross-functional initiatives that unlock data science velocity at scale. This role will also be key to adapting ML workflows to take advantage of modern AI productivity tools. You won’t just build models, you will architect the systems that allow those models to help tens of thousands of small retailers compete and grow their local businesses. What You Will Do: — Define and drive the long-term architecture of Faire’s ML platform including training, inference, feature management, governance — Establish company-wide standards for code quality, testing, MLOps (CI/CD), experimentation, model lifecycle management, and observability — Lead adoption and advanced use of Unity Catalog, multi-workspace strategies, and data/ML mesh patterns — Architect highly scalable ML workflows using Spark, Delta Lake, and MLflow — Optimize performance, reliability, and cost of the ML platform — Evaluate and integrate emerging Databricks features — Stay ahead of the curve by engaging with the latest developments in machine learning and AI — Serve as senior ML technical advisor to Faire’s data science and production engineering teams — Represent Faire at ML conferences and meetups — Mentor ML engineers and raise the overall bar for Machine Learning at Faire What it takes: — 10-12 years of experience building and improving large-scale ML or data platforms — A degree (preferably graduate level) in Computer Science, Engineering, Statistics, or a related technical field — Deep expertise in Databricks lakehouse architecture, including governance via Unity catalog, orchestration via Workflows, and cost optimization — Proven ability to design systems that support multiple data science teams and production workloads — Strong background in distributed systems, ML infrastructure, and cloud architecture — Demonstrated technical leadership across teams and orgs; ability to influence without authority — Experience integrating LLM workflows into enterprise platforms is a plus — Previous contributions to open source ML Infrastructure projects or research publications is a very strong plus Tech Stack: Faire uses a modern cloud based tech stack. For this role, you’ll want to be proficient with the following: — Languages: Python, SQL, Kotlin — ML Frameworks: PyTorch, PySpark, MLFlow — Big Data & Processing: Spark, Kafka, Databricks, Snowflake, Fivetran, Iceberg, Unity Catalog, Datadog, Airflow, Cockroach DB, MySQL — Cloud & Infrastructure: AWS, S3, SageMaker, Kubernetes, Docker, GitHub Actions, Terraform — Generative AI: Claude Sonnet 4.5, ChatGPT 5.2 Conditions: Hybrid work format with office presence 3 days per week (Tuesdays, Thursdays, and a flex day) and flexibility to work remotely up to 4 weeks per year. Remote work possible for candidates located in Ontario, Canada. Salary Range: $248,000 to $341,000 per year, eligible for equity and benefits. Actual base pay depends on skills, experience, market demands, and location. Base pay range subject to change.

Location: United Kingdom; Brazil; Ireland; Romania; Cyprus; Portugal; Lithuania; Czech Republic; Canada; Poland Workplace: Remote BUILDING THE FUTURE OF OPEN FINANCE Payward - the parent company behind Kraken, NinjaTrader, Breakout, xStocks, Payward Services and CF Benchmarks - has spent the last 15 years building one of the most modern and globally accessible financial infrastructure platforms in the industry, built to advance an open, global financial system. THE TEAM Founded in 2011, Kraken is one of the world's longest-standing crypto platforms, trusted by over 10 million individuals and institutions across the globe. It offers spot trading, margin, futures, staking, and OTC services, with products built for both individual investors and institutional clients.   We're looking for a Data Analyst, Regulatory Analytics and Reporting to join our team remotely! The #1 goal of this role is to turn complex compliance and regulatory data into clear, actionable insights that protect the business, satisfy regulators, and support senior leadership in making high-stakes decisions. You'll work at the intersection of data engineering, regulatory reporting, and compliance operations in a fast-paced, high-scrutiny environment where accuracy and audit-readiness are non-negotiable. Beyond technical expertise, success in this role depends on being a true business partner who combines data-driven insights with deep knowledge of compliance regulations and frameworks. You'll own end-to-end data management from building and maintaining datasets and pipelines to designing dashboards and insights for compliance and leadership teams. You will also automate compliance processes and workflows to boost efficiency and minimize human error. If you combine exceptional data analysis expertise with solid knowledge of compliance regulations, a keen eye for regulatory risk, and the drive to shape the future of crypto with a top-tier brand - this is your next mission!   THE OPPORTUNITY - Own the design of dashboards, compliance metrics, and regulatory reports, turning data into actionable insights for stakeholders, cross-functional partners, and regional compliance officers - Automate end to end compliance related data solutions, governance controls, and automations to boost efficiency and minimize manual intervention - Dive into large, complex datasets to turn findings into scalable, audit-ready data models that facilitate regulatory reporting and analytics - Translate regulatory and business requests into accurate reports and automated data pipelines using Python, SQL, DBT and Airflow - Lead cross-functional projects with analysts, engineers, and compliance teams to build and maintain high-quality data pipelines and sources - Coordinate client data quality monitoring by identifying issues, flagging remediations, and partnering with responsible teams to ensure timely resolution - Support ad-hoc data requests for audits, exams, risk assessments, and day-to-day business needs - Deliver insights that shape compliance direction through clear, data-driven storytelling   WHAT YOU BRING - 5+ years of experience in data analysis and data management within financial services or a regulated industry, with hands-on experience in compliance and regulatory reporting across frameworks such as AML, KYC, Sanctions, MiCA, or MiFID - Solid understanding of regulatory risk and the ability to operate effectively in high-scrutiny, audit-ready environments - Expert SQL skills including complex joins, CTEs, and analytical functions, paired with proficiency in Python libraries such as pandas, matplotlib, and plotly - Hands-on experience using dbt or similar tooling to model and organize high fidelity data for reporting and decision-making - Experience setting up and managing data pipelines with a strong understanding of data workflow orchestration - Proficiency with BI and data visualization tools such as QuickSight, Power BI, or Superset to build executive-facing dashboards - Strong communicator who can simplify complex data ideas for both technical and non-technical audiences - Alignment with the values outlined in Kraken's Tentaclements document   NICE TO HAVES - Degree in Mathematics, Statistics, Finance, Information Systems, or a related technical field - Passion for continuous learning and approaching problems with a beginner's mindset - Solid understanding of the cryptocurrency space and how financial markets function Unless a specific application deadline is stated in the job posting, applications are accepted on an ongoing basis. Please note, applicants are permitted to redact or remove information on their resume that identifies age, date of birth, or dates of attendance at or graduation from an educational institution. We consider qualified applicants with criminal histories for employment on our team, assessing candidates in a manner consistent with the requirements of the San Francisco Fair Chance Ordinance. OUR COMMITMENT Payward is powered by people from around the world and we celebrate the diverse talents, backgrounds, contributions, and unique perspectives that everyone brings to the table. We hire based on merit, seeking out people with the right abilities, knowledge, and skills for the job. We encourage you to apply for roles where you don't fully meet the listed requirements, especially if you're passionate or knowledgeable about crypto. We may ask candidates to complete job-related skills or work-style assessments as part of our hiring process. These assessments evaluate competencies relevant to the role and are applied consistently across candidates for similar positions. Results are considered alongside experience and interviews, and are not the sole basis for any employment decision. As an equal opportunity employer, we don't tolerate discrimination or harassment of any kind, whether based on race, ethnicity, age, gender identity, citizenship, religion, sexual orientation, disability, pregnancy, veteran status, or any other protected characteristic as outlined by federal, state, or local laws. Stay connected Follow us on X https://twitter.com/krakenfx Learn on the Kraken Blog https://blog.kraken.com/#:~:text=Enter%20your%20email%20address Connect on LinkedIn https://www.linkedin.com/company/kraken-exchange/ Candidate Privacy Notice https://www.kraken.com/legal/candidate-privacy-notice

Задачи: — Design, build, and maintain data infrastructure and pipelines spanning both batch and real-time / streaming workloads, contributing to architectural decisions along the way — Build and maintain scalable, efficient, and reliable ETL/ELT pipelines using languages and frameworks such as Python, SQL, Spark, Flink, Beam, or equivalents — Work on real-time or near-real-time data solutions (e.g. CDC, streaming, micro-batch) for use cases that require timely data — Partner with data scientists, ML engineers, analysts, and product teams to understand data requirements, define SLAs, and deliver coherent data products that others can self-serve — Establish data quality, validation, observability, and monitoring frameworks (data auditing, alerting, anomaly detection, data lineage) — Investigate and resolve complex production issues: root cause analysis, performance bottlenecks, data integrity, fault tolerance — Document data flows, data dictionaries, architecture patterns, and operational runbooks Требования: — 5+ years of experience in data engineering (or similar) roles — Strong experience in ETL/ELT pipeline design, implementation, and optimization — Deep expertise in Python and SQL writing production-quality, maintainable, testable code — Experience with large-scale data warehouses (e.g. Databricks, BigQuery, Snowflake) — Solid grounding in software engineering fundamentals, data structures, and systems thinking — Hands-on experience in data modeling (dimensional modeling, normalization, schema design) — Experience building systems with real-time or streaming data (e.g. Kafka, Kinesis, Flink, Spark Streaming), and familiarity with CDC frameworks — Experience with orchestration / workflow frameworks (e.g. Airflow) — Familiarity with data governance, lineage, metadata, cataloging, and data quality practices