Data Engineer | AWS

У компанії Popular ми надаємо широкий спектр фінансових послуг і рішень, що відповідають потребам громад Пуерто-Рико, Сполучених Штатів та Віргінських Островів. Наші віддані співробітники невтомно працюють над тим, щоб допомагати нашим клієнтам досягати своїх мрій, пропонуючи фінансові рішення, адаптовані для кожного етапу їхнього життя. Наша відданість інноваціям, стійкості та підтримці громади, зміцнена різноманітними навичками та досвідом наших співробітників, підкреслює наші основні цінності.

Приєднуйтесь до понад 8 000 професіоналів у Пуерто-Рико, Сполучених Штатах та Віргінських Островах, які є частиною команди Popular. Приходьте та станьте частиною нашої процвітаючої спільноти!

Ми шукаємо спеціаліста з інженерії даних для приєднання до підрозділу Analytical Engineering & Enablement у складі відділу Enterprise Data & Analytics. Ця ключова старша роль передбачає активацію служб AWS, налаштування, валідацію та розгортання хмарної інфраструктури, спеціально розробленої для аналітики та операцій машинного навчання. Спеціаліст керуватиме командою інженерів і аналітиків даних, створюючи співпрацюючу культуру для забезпечення ефективної обробки даних та оптимальної роботи моделей машинного навчання.

• Співпраця з різноманітними командами для забезпечення широких рішень у сфері даних та аналітики.
• Керівництво динамічною командою у створенні, валідації та впровадженні найсучасніших хмарних рішень для аналітичних та машинних навчальних інфраструктур.
• Налаштування різних компонентів хмарної інфраструктури, включаючи мережі, безпеку, зберігання даних, міграцію та обробку даних, а також аналітику управління.
• Нагляд за завданнями обробки даних, забезпеченням підготовки наборів даних для аналізу.
• Формування стратегічних партнерств з науковцями та аналітиками даних для покращення хмарного середовища.
• Проектування, планування та побудова середовищ Snowflake на AWS Cloud.
• Створення додатків Data Lake та управління хмарними сховищами даних.
• Використання Terraform або AWS CloudFormation для інфраструктури як коду.
• Визначення та усунення проблем, пов'язаних з хмарними сервісами, включаючи налаштування, інтеграцію та продуктивність.
• Моніторинг та вдосконалення моделей машинного навчання для безперервного покращення.
• Просування детальної документації даних та їхньої цілісності.
• Керівництво створенням середовищ розробки машинного навчання, забезпечуючи ефективність робочих процесів.
• Впровадження методологій DevOps та DevSecOps для розгортання моделей.
• Надання високорівневої підтримки системам машинного навчання, забезпечуючи їхню найвищу продуктивність.
• Проведення сессій обміну знаннями для підвищення навичок команди.
• Відстеження ключових показників ефективності (KPI) для вдосконалення моделей.
• Розробка найкращих практик, стандартів та політик управління.