Data Engineer (ML пайплайны и расчёт признаков) в команду платформы данных (удаленная работа)

Вакансия: Data Engineer (ML пайплайны и расчёт признаков) в команду платформы данных

Описание вакансии

Мы команда платформы данных в направлении Trust & Safety. Делаем данные и признаки для моделей машинного обучения, которые используются в антифроде, модерации контента и других продуктах. У нас есть как потоковая платформа (Databus/Kafka + Flink + Redis/Cassandra), так и озеро данных на S3/Apache Iceberg с доступом через Trino.

Мы ищем дата-инженера, который обеспечит расчёт и поставку признаков для ML-моделей от чтения сырых событий до записи финальных значений в онлайн- и офлайн-хранилища.

Стек: Databus(Redpanda)/Kafka, Apache Flink, Redis, Cassandra, S3, Apache Iceberg, Trino, ClickHouse, Airflow, Python, dbt.

Вам предстоит:

• Проектировать и разрабатывать потоковые процессы, которые читают события из Databus/Kafka и считают онлайн признаки, записывая их в Redis и Cassandra.
• Проектировать и разрабатывать пакетные процессы, которые читают данные из S3/Iceberg через Trino, считают офлайн признаки и пишут результаты обратно в S3/Iceberg и/или ClickHouse.
• Следить за тем, чтобы один и тот же признак был согласован между обучением и продакшеном (одна логика расчёта, единый контракт).
• Настраивать расписания, пересчёты и бэки, чтобы признаки обновлялись вовремя и выдерживали SLA по свежести.
• Работать с качеством данных: добавлять проверки, мониторить аномалии, разбирать инциденты, когда признак поехал .
• Совместно с DS и аналитиками придумывать новые признаки и помогать перевести их из экспериментальных скриптов в стабильные пайплайны.

Вы нам подходите, если:

• У Вас 4 5+ лет опыта в роли Data Engineer / Backend+Data;
• Имеете уверенный опыт работы с Kafka подобными очередями (Databus/Kafka): продюсеры/консьюмеры, партиционирование, ключи, обработка ошибок;
• Имеете практический опыт со streaming движком (желательно Flink; Spark Structured Streaming подойдёт, если есть реальный прод опыт);
• Опытны в работе с Redis или Cassandra как онлайновым хранилищем данных/признаков;
• Работали с S3 подобным хранилищем и табличным форматом (Iceberg/Delta/Hudi) и доступа к ним через SQL движок (Trino/Presto/Spark SQL);
• Отлично знаете SQL и имеете опыт работы с ClickHouse;
• Python на уровне уверенной разработки data скриптов и сервисной логики;
• Имеете опыт настройки и сопровождения пайплайнов в Airflow;
• Понимаете задачи ML пайплайнов: train/serve skew, пересчёты признаков, влияние задержек и потерь событий.