AI Data Engineer (Snowflake + AI)
Nordea
To rola dla doświadczonego inżyniera danych, który ma praktyczne doświadczenie z LLM-ami i chce przenieść AI na poważnie do środowiska Snowflake w dużym banku. Będziesz własnym architektem i wykonawcą rozwiązań AI: od Cortex po integracje z modelami, RAG, narzędzia dla inżynierów i self-service Streamlit. To nie jest rola ML research – to inżynieria danych z AI w tle, w regulowanym środowisku bankowym.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: nie podano wielkości zespołu ani liczby osób w roli ai data engineer, brak informacji o konkretnym modelu hybrydowym (liczba dni w biurze).
To rola dla doświadczonego inżyniera danych, który ma praktyczne doświadczenie z LLM-ami i chce przenieść AI na poważnie do środowiska Snowflake w dużym banku. Będziesz własnym architektem i wykonawcą rozwiązań AI: od Cortex po integracje z modelami, RAG, narzędzia dla inżynierów i self-service Streamlit. To nie jest rola ML research – to inżynieria danych z AI w tle, w regulowanym środowisku bankowym.
- ✓Pełna autonomia i własność obszaru AI na danych – greenfield bez legacy w zakresie AI
- ✓Wsparcie zespołu w rozwoju, nie tylko wyniki
- ✓Praca w dużym banku z realnym wpływem na miliony klientów
- ✓Możliwość korzystania z najnowszych technologii (Cortex, agenty, LLM-y)
- !Brak informacji o dokładnym modelu hybrydowym (ile dni w biurze)
- !Brak widełek wynagrodzenia
- !Nie podano wielkości zespołu ani struktury
- !Potencjalnie długi proces rekrutacyjny (CV, telefon, rozmowa, background check)
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Definiowanie i wdrażanie procesów AI na danych w Snowflake – identyfikacja przypadków użycia i implementacja.
- •Budowa LLM-owych funkcji w Streamlit-in-Snowflake (np. natural language queries, anomaly detection, schema explanation).
- •Integracja i konfiguracja Snowflake Cortex (LLM functions, Cortex Search, Cortex Analyst).
- •Projektowanie i implementacja pipeline'ów RAG na danych strukturalnych i półstrukturalnych (metadane, configi, kod).
- •Tworzenie narzędzi AI dla zespołu inżynierskiego: asystent do review SQL, agenci dokumentacji, generator testów.
- •Utrzymywanie i rozwijanie pipeline'ów transformacji danych w Snowflake (stored procedures, Snowpark, Dynamic Tables).
- •Analiza wymagań biznesowych w kontekście danych bankowych (ryzyko, finanse, regulacje).
- •Własność CI/CD dla swoich komponentów (od analizy przez rozwój po deployment).
Oferta dla doświadczonych specjalistów (Senior).
Senior data engineer z 8+ latami doświadczenia, solidnym Snowflake i przynajmniej rokiem produkcyjnej pracy z LLM-ami (integracje API, nie tylko eksperymenty). Potrafi samodzielnie zaprojektować i wdrożyć rozwiązania AI na danych w Snowflake.
Osoby z mniej niż 5-6 latami doświadczenia w data engineering, bez głębokiej praktyki w Snowflake lub bez produkcyjnego doświadczenia z LLM-ami. Rola wymaga samodzielności i znajomości pełnego cyklu życia – nie dla juniorów ani midów.
- ?Ile osób liczy zespół i jaka jest struktura (data engineers, analitycy, devops)?
- ?Jakie są konkretne oczekiwania dotyczące hybrydowego modelu pracy (ile dni w biurze)?
- ?Czy przewidziane są dyżury on-call? Jak często?
- ?Jakie są priorytetowe przypadki użycia AI na początek?
- ?Jakie są ograniczenia regulacyjne dotyczące używania LLM-ów w banku (np. OpenAI hostowane czy private deployment)?
- ?Jaki jest budżet na narzędzia AI (API keys, subskrypcje)?
- ?Czy istnieją już jakieś inicjatywy AI w zespole, czy zaczynamy od zera?
- ?Jakie są oczekiwania dotyczące nauki domeny bankowej – czy jest onboarding formalny?
- −Nie podano wielkości zespołu ani liczby osób w roli AI Data Engineer
- −Brak informacji o konkretnym modelu hybrydowym (liczba dni w biurze)
- −Nie wiadomo, czy oferta przewiduje dyżury on-call
- −Brak informacji o budżecie szkoleniowym lub konferencyjnym
- −Nie opisano ścieżki kariery ani możliwości awansu
Zespół wspierający i inwestujący w rozwój – kładą nacisk na naukę domeny i dzielenie się wiedzą. Kultura współpracy i własności.
Proces składa się z: wstępnej selekcji CV, rozmowy telefonicznej z rekruterem, rozmowy online z hiring managerem, a następnie weryfikacji background check.