Data Engineer - AI Coding Expert

О позиции

Mercor — компания из Сан-Франциско, которая связывает элитных технических специалистов с ведущими лабораториями исследований ИИ. В наши инвесторы входят Benchmark, General Catalyst, Питер Тиль, Адам Д'Анджело, Ларри Саммерс и Джек Дорси. Мы ищем инженеров данных, которые могут эффективно работать с современными AI-инструментами кодинга для сложных задач в области проектирования данных.

Чем заниматься

• Использовать передовые AI-кодинговые агенты для выполнения и оценки сложных задач по инженерии данных
• Рецензировать реализации инфраструктуры данных, созданные моделями: ETL-пайплайны, хранилища данных, аналитические платформы
• Выявлять ошибки, крайние случаи, проблемы масштабируемости и точки отказа в выходах моделей
• Сравнивать результаты работы различных фронтенд-моделей и оценивать их сильные и слабые стороны
• Применять профессиональное инженерное суждение к реальным сценариям в области данных

Что ждут

• 2+ года профессионального опыта в инженерии данных
• Опыт построения ETL-пайплайнов, хранилищ данных, аналитических платформ или распределённых систем данных
• Регулярное использование AI-кодинговых агентов (Cursor, Claude Code, Codex, Windsurf, Gemini CLI или аналогичные)
• Способность оценивать инфраструктурные решения и пайплайны данных, созданные моделями ИИ

Будет плюсом

• Опыт эксплуатации крупномасштабных дата-платформ
• Знание архитектур распределённых систем обработки данных

Условия

• Конкурентная оплата труда: $80 в час ($400 за принятый задача)
• Полностью удалённый формат работы
• Возможность работать с передовыми ИИ-технологиями и моделями
• Формат контракта с гибким графиком
• Проверка приложений проводится ежедневно

Навыки

• Python
• SQL
• ETL
• Apache Airflow
• PostgreSQL
• Snowflake
• dbt
• Spark
• Kafka
• Docker
• Git
• CI/CD
• AWS
• GCP
• Azure

Могут спросить на собеседовании

1. Как вы подойдете к оценке ИИ-сгенерированной ETL-реализации?
2. Какие метрики и подходы вы используете для оценки производительности пайплайнов данных?
3. Опишите кейс, где вы обнаружили проблему в автоматизированном решении. Как её решили?
4. Какие AI-кодинговые инструменты вы использовали и какие у них ограничения?