Data Engineer

Aston — аккредитованная аутсорсинговая IT-компания, работающая с 2007 года. Наш штат насчитывает 2500+ специалистов. Мы разрабатываем программное обеспечение и IT-решения в сферах Finance, Healthcare, eCommerce, IoT, Media, Big Data, ML и многом другом.

Предлагаем присоединиться в роли Data Engineer и работать над проектом заказчика.

Заказчик - крупнейший коммерческий банк страны, лидер по объему активов и цифровому развитию. Активно продвигает мобильные сервисы, ценит скорость, гибкость и неформальный подход внутри команд. Многократно отмечен престижными наградами, в том числе «Bank of the Year in Russia 2019» (The Banker) и «Best Mortgage Bank in CEE» (Global Finance).

• готовить данные и корпоративный контекст для прототипирования ассистента;
• собирать PoC и технические прототипы для проверки гипотез до передачи в промышленную IT-разработку;
• реализовывать прототипы получения данных через API, SQL, файловые источники, Каталог и другие корпоративные системы;
• подготавливать данные для RAG/retrieval, тестировать поиск, сопоставление сущностей и качество получаемого контекста;
• совместно с бизнес и data-аналитиками формировать golden dataset из реальных Discovery-кейсов и эталонных результатов;
• автоматизировать тестирование ассистента: массовый прогон сценариев, сравнение фактического результата с эталонным, фиксация ошибок;
• формировать и автоматизировать метрики качества;
• формировать regression-набор и проверять, что изменения логики, prompts, RAG или модели не ухудшают ранее работающие сценарии;
• анализировать результаты пилотов совместно с аналитиками и локализовывать причины ошибок: данные, retrieval, контекст, правила или реализация;
• передавать в IT проверенные прототипы, алгоритмы обработки данных, результаты экспериментов и технические требования для промышленной реализации.

• опыт работы в роли Data Engineer от 3-х лет;
• отличные знания Python и SQL, опыт обработки и преобразования данных;
• опыт работы с API, JSON, ETL/ELT, интеграции различных источников данных;
• умение быстро собирать PoC и прототипы для проверки технических и продуктовых гипотез;
• понимание DWH, моделей данных, Data Quality, опыт работы с корпоративными данными;
• понимание принципов LLM, RAG, retrieval, embeddings;
• опыт подготовки датасетов, автоматизации проверок и анализа результатов;
• умение самостоятельно исследовать источники данных и находить способ технической реализации задачи.