Senior Data & AI Platform Engineer Remote (m/f/d)

О позиции

Компания OrderYOYO создаёт инструменты для онлайн-успеха ресторанов — веб-сайты, мобильные приложения и маркетинговые решения. Мы ищем инженера, который построит единую платформу данных для исполнительной отчётности, аналитики мерчантов и автоматизации финансов. Вы будете работать в команде международных инженеров, отвечать за жизненный цикл данных от проектирования до production-операций, и внедрять AI в продуктовые процессы. Роли нет локальных ограничений — quarterly оффлайн-встречи команды проходят в глобальных офисах.

Чем заниматься

• Проектирование, разработка и эксплуатация продакшн-решений в Microsoft Fabric: Lakehouse, Warehouse, notebooks, pipelines
• Построение производственных пайплайнов на Fabric, Python и PySpark с тестированием и поддержкой
• Разработка масштабируемых паттернов ingestion и трансформации данных из множественных источников
• Управление ёмкостью и затратами Fabric, отключение устаревших слоёв
• Ведение миграций с legacy платформ на современные решения с сохранением метрик
• Мониторинг, алертинг, обработка инцидентов, анализ первопричин, проверка качества данных и runbooks
• Диагностика и устранение проблем в SQL, Spark, pipeline и семантических моделях
• Разработка и поддержка governed semantic моделей и повторяющихся определений метрик
• Внедрение AI в платформу: RAG, Azure OpenAI и агенты, управление промптами и версиями
• Применение методов data science: churn, рекомендации, персонализация, фрод и риск-модели
• Координация с executive командой, Finance, Product и инженерией по приоритетам и темпу работ

Что ждут

• 6+ лет опыта работы с данными, включая недавний hands-on опыт data engineering или data-platform engineering в production
• Самостоятельное решение задач: от требований и технического дизайна до деплоя, мониторинга и эксплуатации
• Глубокий практический опыт Microsoft Fabric или сильный Synapse/Databricks/Delta с ясным путём к Fabric
• Понимание lakehouse архитектуры и Delta-based data engineering: партиционирование, schema evolution, оптимизация файлов, производительность
• Экспертный SQL и T-SQL, включая сложное моделирование и tuning
• Production-grade Python или PySpark
• Опыт проектирования инкрементального ingestion: CDC, tracking изменений, watermarks, надёжное merge/upsert, replay и idempotent processing
• Аналитическое и семантическое моделирование данных, предпочтительно Power BI/Fabric semantic модели, performance tuning, governance
• Базовое знание Azure fundamentals: Azure SQL, ADLS/OneLake, Entra ID, managed identities, RBAC, Key Vault
• Подтверждённый опыт лидерства при миграции legacy систем на современные
• Реальный hands-on AI engineering beyond Copilot: RAG, Azure OpenAI, agents
• Доставленные data science/ML модели с измеримыми результатами

Будет плюсом

• Сильный опыт Power BI/Fabric: Direct Lake, DAX, tuning производительности semantic моделей, incremental refresh, considerations ёмкости
• Infrastructure-as-Code: Terraform, Bicep или аналог
• Опыт платформенных решений в SaaS, marketplace, fintech, payments, e-commerce или multi-region бизнеса

Условия

• Зарплата до £80,000 в год (или локальный эквивалент)
• Удалённая работа с квартальными оффлайн-встречами команды в одном из глобальных офисов
• Ответственность за бизнес-критичную data & AI платформу
• Коллаборативная международная команда инженеров
• Культура ownership, раннее поднятие рисков, чёткая коммуникация и следование обязательствам
• Inclusive environment, где людям доверяют делать лучшую работу

Навыки

• Microsoft Fabric
• Azure Databricks
• Azure Synapse
• Apache Spark
• PySpark
• Python
• SQL
• T-SQL
• Delta Lake
• Data Lakehouse
• ETL
• ELT
• Azure Data Factory
• Azure Blob Storage
• Azure Data Lake Storage
• OneLake
• Entra ID
• RBAC
• Key Vault
• Power BI
• DAX
• Semantic Model
• CI/CD
• Terraform
• Bicep
• Infrastructure as Code
• RAG
• Azure OpenAI
• LLM
• Prompt Engineering
• Model Monitoring
• Data Quality
• Change Data Capture
• CDC
• Idempotency
• Incremental Processing

Могут спросить на собеседовании

1. Расскажите о вашем опыте миграции legacy data platform на современную архитектуру. Какие были ключевые вызовы?
2. Как вы обеспечиваете надёжность и качество данных в production-пайплайнах? Примеры метрик качества.
3. Какие паттерны инкрементального ingestion вы использовали ранее? Как решали проблемы дедупликации и idempotency?
4. Приведите пример внедрения AI/ML-модели в продукт. Как измеряли результат?
5. Как вы управляете затратами в облачной data platform (например, Fabric capacity)?