Старший Fullstack инженер (Python/AWS)

Что предстоит делать

<h3>Обзор роли</h3><p>Мы ищем Senior Fullstack Engineer, который возьмёт определённую архитектуру платформы от стадии проектирования до работающего production-grade data pipeline. Вы будете отвечать за путь от сырых клиентских данных до унифицированной модели данных и аналитического слоя, из которого читают модели машинного обучения, а также за путь, который переносит эти модели в production.</p><p>Архитектуру, data dictionary и схему определяет hands-on CTO. Ваша задача — уточнить и укрепить этот дизайн, реализовать его и принимать технические решения по ходу дела — более крупной инженерной команды, на которую можно переложить ответственность, нет, поэтому самостоятельность и чёткая письменная коммуникация важны не меньше, чем инженерная работа.</p><h3>Описание проекта</h3><p>Клиент — американская компания в сфере healthcare-data, строящая платформу для pharmacy benefit managers. Платформа берёт исторические данные о пациентах, состояниях и рецептах и формирует рекомендации по препаратам и лечению для новых пациентов. Сегодня это работает как ручной proof-of-concept процесс — данные готовятся вручную, модели разворачиваются вручную — и цель состоит в создании настоящей SaaS-платформы с автоматизированным pipeline за ней, при этом первый MVP намечен на конец 2026 года.</p><p>Целевая архитектура — это обычная многоуровневая платформа: приём клиентских данных в raw zone, их очистка и стандартизация через ETL, загрузка в унифицированную модель данных и предоставление аналитического слоя для моделирования. Стек — Python на AWS, со средой выполнения на Docker и Kubernetes, и с сильным предпочтением open-source инструментов вместо управляемых проприетарных сервисов.</p><p>Ключевые обязанности</p><ul><li>Превратить целевую архитектуру в работающую data-платформу: raw zone, ETL, унифицированная модель данных и аналитический слой.</li><li>Проверить и укрепить дизайн платформы до начала разработки и задокументировать решения.</li><li>Построить pipeline приёма и преобразования данных, которые проводят клиентские выгрузки данных до унифицированной модели данных.</li><li>Реализовать схему базы данных на основе data dictionary и поддерживать их согласованность по мере развития модели.</li><li>Выстроить путь развёртывания моделей — версионирование, упаковку, продвижение в production и откат — чтобы модели больше не выкатывались вручную.</li><li>Внедрить стандартные форматы данных, валидацию и проверки качества там, где их сегодня нет.</li><li>Работать с инфраструктурным инженером над запуском pipeline и сервисов моделей на Kubernetes в AWS.</li><li>Собирать требования напрямую у клиентских стейкхолдеров, записывать их и добиваться их подтверждения.</li><li>Оценить существующий код proof-of-concept и задокументировать, что переиспользуется, а что переписывается.</li><li>Предлагать подход и отстаивать его, а не ждать полностью сформированного требования.</li><li>Учитывать стоимость при выборе сервисов и проектировании хранения и вычислений.</li></ul><h3>Обязательные квалификации</h3><ul><li>Коммерческий опыт в data engineering на уровне senior, включая ответственность за production data pipeline.</li><li>Уверенный Python.</li><li>Практический опыт проектирования и реализации ETL pipeline и моделей данных от сырых исходных данных до curated-слоя.</li><li>Прочные знания SQL и проектирования схем реляционных баз данных.</li><li>Опыт построения на AWS с использованием open-source инструментов.</li><li>Способность работать самостоятельно в среде без устоявшегося инженерного процесса и выстраивать этот процесс там, где его нет.</li><li>Прямая, чёткая коммуникация с нетехническими стейкхолдерами, включая сбор и написание требований.</li><li>Английский на уровне, достаточном для прямых встреч с клиентом без посредника.</li></ul><h3>Предпочтительные квалификации</h3><ul><li>Опыт с Docker и Kubernetes как целью развёртывания для data- и model-нагрузок.</li><li>Опыт с инструментом оркестрации, таким как Airflow, Dagster или Prefect.</li><li>Опыт с layout data lakehouse (raw / cleaned / curated zones) и колоночными форматами.</li><li>Опыт с данными в сфере healthcare, pharmacy или insurance, включая обращение с чувствительными данными пациентов.</li><li>Опыт настройки CI/CD для data- и model-pipeline с нуля.</li><li>Опыт принятия proof of concept и его переписывания для production.</li></ul><h3>Ваши первые 90 дней</h3><ul><li>Первые 30 дней — вы изучили архитектуру, data dictionary и существующий proof of concept, задокументировали укреплённый дизайн и открытые вопросы и согласовали с CTO набор инструментов MLOps.</li><li>К 60 дням — клиентские данные проходят через автоматизированный pipeline из raw zone в унифицированную модель данных в non-production среде, с внедрённой валидацией, а первая модель развёрнута через новый путь развёртывания, а не вручную.</li><li>К 90 дням — pipeline и развёртывание моделей работают в production в соответствии с целевым показателем доступности, требования для MVP задокументированы и подтверждены с клиентом, и вы — тот человек, к которому клиент обращается по решениям для data-платформы.</li></ul> <div> <a href="https://jobs.dou.ua/companies/nucleus-ai/vacancies/379210/#reply-btn-id">Откликнуться на вакансию</a> </div>