Junior/Mid-Level Data & Machine Learning engineer
⚲ Stockholm City
Do uzgodnienia
Wymagania
- dobra znajomość Go (Golang)
- doświadczenie z Pythonem
- znajomość SQL
- doświadczenie z Kafka lub podobnymi systemami messagingowymi
- znajomość Protobuf, Docker, Kubernetes, Grafana, Prometheus
- doświadczenie z analitycznymi bazami danych (ClickHouse wysoce pożądane)
- zainteresowanie data engineeringiem, ML i MLOps
Opis stanowiska
Rola junior/mid Data & ML Engineera przy budowie i utrzymaniu infrastruktury danych dla globalnego klienta technologicznego — tworzenie pipeline'ów ingestii w Go i Kafka, przygotowywanie danych dla ML, budowa mikroserwisów oraz wsparcie produkcyjnych workflow ML. Praca zdalna ze Szwecji, blisko senior inżynierów i architektów. Uwaga: zakres obowiązków obejmuje zarówno tworzenie nowych rozwiązań, jak i utrzymanie istniejącej infrastruktury, a rola może wiązać się z wykonywaniem zadań zleconych przez bardziej doświadczonych inżynierów.
🔍 Dekoder Ogłoszenia
🔴
ambitious Data & Machine Learning Engineer
Osoba, która będzie musiała wykazać się dużą inicjatywą i samodzielnością, często w warunkach niepełnej dokumentacji lub braku jasnych wytycznych.
🔴
help build and maintain the data infrastructure
Może oznaczać zarówno tworzenie nowych rozwiązań od podstaw, jak i utrzymywanie istniejącej, potencjalnie przestarzałej lub problematycznej infrastruktury.
🔴
Working closely with senior technical specialists
Może sugerować, że osoba na tym stanowisku będzie głównie wykonywać polecenia i zadania zlecone przez bardziej doświadczonych inżynierów, a nie samodzielnie podejmować kluczowe decyzje architektoniczne.
🟡
excellent opportunity for someone who wants to deepen their expertise
Jest to standardowy zwrot marketingowy, który może oznaczać zarówno realne możliwości rozwoju, jak i po prostu wykonywanie powtarzalnych zadań, które niekoniecznie prowadzą do znaczącego poszerzenia wiedzy.
🔴
support production machine learning workflows
Może oznaczać zarówno aktywne uczestnictwo w procesie wdrażania i optymalizacji modeli ML, jak i jedynie zapewnienie podstawowej infrastruktury i rozwiązywanie problemów technicznych związanych z działaniem modeli.