Data Platform Engineer

Чем предстоит заниматься:

• Развивать платформу для расчёта ML-признаков в batch-, streaming- и nearline-сценариях
• Строить и поддерживать пайплайны для исторических расчётов, backfill и обновления признаков
• Собирать обучающие датасеты так, чтобы в них не попадали данные «из будущего»
• Работать с потоковыми данными: окнами, опоздавшими событиями и разными типами времени
• Следить за тем, чтобы признаки одинаково и корректно считались в offline- и online-контурах
• Развивать единые и переиспользуемые подходы к описанию feature pipelines и датасетов
• Обеспечивать воспроизводимость и качество данных: версионирование, lineage, проверки и контроль результатов расчётов
• Оптимизировать Spark- и streaming-задачи по скорости, памяти и стоимости вычислений
• Развивать incremental-расчёты, чтобы не пересчитывать большие объёмы данных без необходимости
• Интегрировать платформу с Feature Store, Airflow/Kubeflow, Kafka, хранилищами и внутренними сервисами
• Добавлять метрики, трассировку и инструменты диагностики, чтобы быстро находить проблемы в проде
• Проверять систему под нагрузкой и в сценариях с отказами
• Участвовать в сопровождении своего прод-контура и разборе инцидентов
• Вместе с ML-инженерами превращать решения под конкретные задачи в общие возможности платформы
• Оценивать готовые open-source решения и выбирать, где лучше интегрировать существующий инструмент, а где действительно нужна собственная разработка

Ожидания Иви от кандидата:

• Уверенное знание Python и/или JVM-языка
• Опыт разработки и поддержки конвейеров обработки данных
• Глубокое понимание Spark или другой распределённую систему обработки данных
• Опыт с Airflow, Kubeflow Pipelines или аналогами
• Понимание partitioning, shuffle, skew, retry, backfill и идемпотентности
• Опыт проектирования схемы данных и работы с большими объёмами
• Опыт работы в batch- и streaming-обработке: event time, processing time, окна, watermark, late data
• Понимание point-in-time joins, temporal leakage и гарантии at-least-once / exactly-once
• Знание подходов к incremental computation, caching, state и пересчётам
• Работае с Git, code review, тестированием, CI/CD и observabilit

Будет плюсом:

• Опыт работы с хранилищами признаков и платформами машинного обучения
• Опыт разработки потоковых систем и работы с Kafka
• Опыт версионирования, отслеживания происхождения и проверки качества данных
• Опыт оптимизации Spark-задач по скорости, памяти и стоимости вычислений
• Опыт создания переиспользуемых решений для команд данных и машинного обучения