Brasilien
Bunge
Jobgether
Data & AI Engineer
Brasilien
Brazil
PythonSQLAWSTerraform
Automatische Übersetzung. Prüfe das Original.
Über die Stelle
Diese Stelle wird im Auftrag eines Partnerunternehmens ausgeschrieben, das alle Bewerbungen und weiteren Schritte verwaltet. Unser Partner sucht einen
mit Sitz in Brasilien.
Wie Jobgether funktioniert
Wir verwenden einen KI-gestützten Matching-Prozess, um sicherzustellen, dass Ihre Bewerbung schnell, objektiv und fair anhand der Kernanforderungen der Stelle geprüft wird. Unser System identifiziert die am besten geeigneten Kandidaten, und diese Shortlist wird direkt an das einstellende Unternehmen weitergegeben. Die endgültige Entscheidung und die nächsten Schritte (Interviews, Assessments) werden von deren internem Team verwaltet.
Wir danken Ihnen für Ihr Interesse und wünschen Ihnen viel Erfolg!
Warum über Jobgether bewerben?
Datenschutzhinweis: Mit dem Absenden Ihrer Bewerbung bestätigen Sie, dass Jobgether Ihre personenbezogenen Daten verarbeitet, um Ihre Eignung zu bewerten und relevante Informationen an den einstellenden Arbeitgeber weiterzugeben. Diese Verarbeitung basiert auf berechtigtem Interesse und vorvertraglichen Maßnahmen gemäß den geltenden Datenschutzgesetzen (einschließlich DSGVO). Sie können Ihre Rechte (Auskunft, Berichtigung, Löschung, Widerspruch) jederzeit ausüben.
#LI-CL1
Data & AI Engineer
Diese Rolle bietet die Möglichkeit, moderne Datenplattformen und produktionsreife KI-Lösungen für Unternehmenskunden zu konzipieren und bereitzustellen. Sie entwickeln skalierbare Lakehouse-Architekturen, optimieren Datenpipelines und transformieren komplexe Datensätze in zuverlässige Grundlagen für Analysen und machine learning. Durch die Arbeit mit Technologien wie Databricks, Apache Spark, Delta Lake und MLflow tragen Sie dazu bei, KI-Initiativen vom Konzept bis zur praktischen Implementierung zu führen. Sie arbeiten eng mit Datenarchitekten, Data Scientists, Engineering-Teams und Kundenverantwortlichen in einem dynamischen, ergebnisorientierten Umfeld zusammen. Die Position kombiniert praktische Entwicklungsarbeit, Cloud-Optimierung, MLOps und Data Governance, um sichere, effiziente und skalierbare Lösungen zu schaffen. Sie ist ideal für einen Ingenieur, der Wert auf technische Exzellenz, Eigenverantwortung, kontinuierliche Verbesserung und messbaren geschäftlichen Mehrwert legt.
Verantwortlichkeiten
- Lakehouse-Architektur und Datenpipelines: Entwurf, Entwicklung und Optimierung skalierbarer ETL/ELT-Pipelines unter Verwendung von Databricks, Apache Spark und Delta Lake in Cloud-Umgebungen, einschließlich AWS, Azure und Google Cloud Platform.
- Datenaufnahme und -transformation: Aufbau robuster Workflows zur Verarbeitung strukturierter und unstrukturierter Daten sowie Automatisierung von Aufnahme, Speicherung und Feature Engineering zur Unterstützung von Analysen und KI-Workloads in Echtzeit.
- Leistungs- und Kostenoptimierung: Feinabstimmung von Spark-Jobs und Datenverarbeitungs-Workflows zur Verbesserung von Latenz, Durchsatz, Skalierbarkeit und Cloud-Kosteneffizienz in Kundenumgebungen.
- MLOps und KI-Bereitstellung: Zusammenarbeit mit machine learning-Ingenieuren und Data Scientists zur Operationalisierung von KI-Modellen innerhalb von Databricks unter Verwendung von MLflow für Experiment-Tracking, Modellversionierung und Deployment.
- CI/CD und Infrastrukturautomatisierung: Implementierung automatisierter Deployment-Pipelines und Infrastructure-as-Code-Praktiken unter Verwendung von Tools wie Terraform und Databricks CLI, um zuverlässige und wiederholbare Produktions-Releases sicherzustellen.
- Data Governance und Sicherheit: Einrichtung und Pflege von Datenzugriffskontrollen, Sicherheitsrichtlinien und Governance-Standards unter Verwendung von Unity Catalog und Cloud-nativen Funktionen zur Unterstützung von Anforderungen wie DSGVO, HIPAA und SOC 2.
- Kundenkollaboration: Direkte Zusammenarbeit mit technischen Führungskräften, Produktmanagern, Architekten und Engineering-Teams der Kunden, um komplexe Daten- und KI-Anforderungen in praktische technische Lösungen und messbare Geschäftsergebnisse zu übersetzen.
- Dokumentation und Wissenstransfer: Erstellung klarer technischer Dokumentationen und Koordination reibungsloser Übergaben der Lösungen an die Engineering-Teams der Kunden, um Wartbarkeit und langfristigen operativen Erfolg zu gewährleisten.
Anforderungen
- Berufserfahrung: Mindestens drei Jahre Erfahrung im Cloud-nativen Data Engineering, einschließlich mindestens zwei Jahren praktischer Erfahrung mit Databricks, Apache Spark, Delta Lake und MLflow.
- Programmierung und Data Engineering: Fundierte Kenntnisse in Python, SQL und Spark-basierten Frameworks sowie Erfahrung im Entwurf und der Wartung skalierbarer Datenverarbeitungslösungen.
- Cloud- und Lakehouse-Technologien: Praktische Erfahrung im Aufbau von Datenarchitekturen in Cloud-Umgebungen und der Implementierung moderner Lakehouse-Muster für Unternehmensdaten-Workloads.
- MLOps und Modell-Lebenszyklusmanagement: Vertrautheit mit MLflow und den Prozessen, die zum Tracking, zur Versionierung, Bereitstellung und Operationalisierung von machine learning-Modellen erforderlich sind.
- DevOps und Automatisierung: Erfahrung in der Implementierung von CI/CD-Pipelines und Infrastructure-as-Code-Lösungen unter Verwendung von Terraform, Databricks CLI oder vergleichbaren Tools.
- Beratung und Agile Delivery: Nachgewiesene Erfahrung in der Arbeit in schnelllebigen agilen oder DevOps-Beratungsumgebungen, bei der Bereitstellung Cloud-agnostischer Lösungen und der Anpassung an sich entwickelnde Kundenanforderungen.
- Kommunikation und Zusammenarbeit: Ausgeprägte Kommunikationsfähigkeiten mit der Fähigkeit, technische Konzepte klar zu erklären, effektiv mit multidisziplinären Teams zusammenzuarbeiten und produktive Kundenbeziehungen zu pflegen.
- Eigenverantwortung und kontinuierliche Verbesserung: Ein proaktiver, verantwortungsbewusster Ansatz zur Problemlösung mit einem Engagement für technische Qualität, kontinuierliches Lernen und die Erzielung messbarer Ergebnisse.
- Databricks-Zertifizierung: Eine aktive Databricks Certified Data Engineer Associate oder Professional-Zertifizierung oder eine Databricks Machine Learning Professional-Zertifizierung wird dringend bevorzugt.
Vorteile
- Remote-First-Arbeit: Die Flexibilität, remote zu arbeiten und gleichzeitig mit einem global vernetzten Team zusammenzuarbeiten.
- Kollaboratives Umfeld: Die Möglichkeit, mit qualifizierten Fachleuten in einem unterstützenden, innovativen und schnelllebigen Umfeld zu arbeiten.
- Technische Weiterentwicklung: Einblicke in moderne Lakehouse-Architekturen, Cloud-Plattformen, Data Engineering, MLOps und produktive KI-Lösungen.
- Sinnstiftender Einfluss beim Kunden: Die Möglichkeit, skalierbare, produktionsreife Lösungen zu entwickeln, die echte geschäftliche Herausforderungen adressieren.
- Inklusiver Arbeitsplatz: Eine Kultur, die Vielfalt, Chancengleichheit, Zusammenarbeit, Neugier und Eigeninitiative schätzt.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen
