Sr. Forward Deployed Engineer (FDE) - Financial Services

О позиции

Forward Deployed Engineer (FDE) — это роль на стыке консалтинга и инженерии. Вы напрямую встраиваетесь в команды стратегических клиентов из финансовой отрасли, берёте на себя архитектурные решения и доводите проекты до production. Роль предполагает тесное взаимодействие с командами продукта и инженерии Databricks, участие в формировании продуктового роадмапа и создание тиражируемых акселераторов для масштабирования эффекта на другие аккаунты. Позиция биллинговая, требует командировок (~20% времени).

Будет плюсом

• Опыт работы в финансовом секторе (banking, capital markets, insurance)
• Знание Delta Lake, MLflow, Unity Catalog
• Опыт создания внутренних технических акселераторов или IP-активов
• Навыки технического пресейла и whiteboarding-сессий с клиентами
• Сертификация Databricks уже получена

Условия

• Конкурентоспособная базовая зарплата (Zone 1–4: $180 656 — $248 360 в год)
• Годовой перформанс-бонус и equity (акции компании)
• Полный пакет льгот (детали зависят от региона)
• Работа в компании — создателе Apache Spark, Delta Lake, MLflow и концепции Lakehouse
• Возможность влиять на продуктовый роадмап Databricks через обратную связь от реальных клиентов
• Кросс-функциональная работа с командами engineering, product и developer relations

Навыки

• Python
• Scala
• JavaScript
• TypeScript
• Apache Spark
• Databricks
• Delta Lake
• MLflow
• MLOps
• Data Engineering
• Machine Learning
• AI APIs
• AWS
• Azure
• GCP
• CI/CD
• Data Pipelines
• Distributed Computing
• SQL
• Cloud Architecture

Могут спросить на собеседовании

1. Расскажите о production-проекте на Apache Spark, где вы столкнулись с серьёзными проблемами производительности. Как вы диагностировали и устранили узкие места, используя знание Spark runtime internals?
2. Как вы выстраивали архитектуру end-to-end системы, объединяющей data pipelines, ML-модели и пользовательский интерфейс? Какие trade-offs вы рассматривали при выборе между стриминговой и батчевой обработкой?
3. Опишите ситуацию, когда технические требования клиента вступали в конфликт с best practices или ограничениями платформы. Как вы управляли этим конфликтом, вовлекая стейкхолдеров разного уровня?
4. Какой у вас опыт с MLOps в production? Как вы обеспечивали мониторинг, версионирование и переобучение моделей в реальных проектах?
5. Вы работаете одновременно на нескольких клиентских проектах с разными дедлайнами и возникают непредвиденные технические блокеры. Как вы расставляете приоритеты и коммуницируете о рисках?