Data Engineer with GenAI/LLM
emagine
Rola łączy klasycznego Data Engineera z nowoczesnym GenAI/LLM. Będziesz pracować w bankowości, automatyzując lifecycle danych: od budowy pipeline'ów po testowanie i governance. Twoim zadaniem jest wdrażanie rozwiązań opartych na LLM do zwiększenia produktywności zespołów data engineering, w tym generowanie testów, przegląd schematów i optymalizacja procesów CI/CD. To stanowisko hybrydowe wymagające obecności w biurze 3 dni w tygodniu.
Brakuje: nie podano wielkości i struktury zespołu data engineering, brak informacji o procesie rekrutacyjnym (ile etapów, czy jest zadanie domowe).
Rola łączy klasycznego Data Engineera z nowoczesnym GenAI/LLM. Będziesz pracować w bankowości, automatyzując lifecycle danych: od budowy pipeline'ów po testowanie i governance. Twoim zadaniem jest wdrażanie rozwiązań opartych na LLM do zwiększenia produktywności zespołów data engineering, w tym generowanie testów, przegląd schematów i optymalizacja procesów CI/CD. To stanowisko hybrydowe wymagające obecności w biurze 3 dni w tygodniu.
- ✓Stawka 150-170 PLN/h netto+VAT na B2B – konkurencyjna dla seniora
- ✓Długoterminowy kontrakt (12 miesięcy + przedłużenie)
- ✓Nowoczesny stack technologiczny (GenAI, LLM, Snowflake, Iceberg, Spark) – szansa na rozwój
- ✓Praca nad innowacyjnym tematem łączenia Data Engineering z AI – rzadkie i wartościowe doświadczenie
- ✓Transparentne widełki wynagrodzenia podane w ogłoszeniu
- !Wymóg hybrydowej pracy w Gdańsku lub Warszawie z 3 dniami w biurze – ogranicza elastyczność
- !Bankowość może oznaczać wolniejsze tempo, wiele procedur i compliance
- !Nie podano wielkości zespołu ani struktury projektu
- !Nie określono, czy jest on-call lub jakie są oczekiwania co do dyspozycyjności
- •Budowanie workflow'ów z wykorzystaniem LLM/agentów do automatyzacji dostarczania pipeline'ów danych
- •Implementacja AI-driven schema review i governance jako część automatyzacji
- •Tworzenie AI-assisted test automation – generowanie i walidacja testów end-to-end
- •Projektowanie pipeline'ów data packaging do konwersji danych źródłowych na formaty kanoniczne
- •Zarządzanie logiką transformacji SQL w pipeline'ach danych
- •Wsparcie cyklu życia kanonicznych schematów wiadomości, walidacja i kompatybilność
- •Przygotowywanie dokumentacji i Architecture Decision Records (ADRs)
- •Integracja AI-assisted review flows z pipeline'ami CI/CD
Oferta dla doświadczonych specjalistów (Senior).
Senior Data Engineer z przynajmniej rocznym doświadczeniem praktycznym w pracach nad automatyzacją z LLM – nawet jeśli nie w pełni produkcyjnie. Osoba, która potrafiła zintegrować prostego LLM z CI/CD lub stworzyć prototyp asystenta do review kodu/kodu danych. Musi mieć minimum ekspozycję na data governance i Data Reference Architecture, choć niekoniecznie głęboko.
Nie dla data engineerów bez żadnego doświadczenia z LLM/GenAI, ani dla osób, które nie chcą pracować w środowisku bankowym z dużą liczbą procesów regulacyjnych. Nie dla początkujących (juniorów) ani mid-level bez umiejętności wdrażania narzędzi AI w produkcji.
- ?Jakie konkretnie modele LLM / frameworki są używane? (GPT, Claude, open-source?)
- ?Ile osób liczy zespół Data Engineering i jak wygląda podział zadań między inżynierami a zespołem AI?
- ?Czy rola wiąże się z dyżurami on-call? Jaka jest rotacja?
- ?Jaki jest harmonogram wdrożenia AI – czy to greenfield, czy modernizacja istniejącego systemu?
- ?Czy istnieje możliwość pracy zdalnej w określonych dniach tygodnia?
- ?Jakie są perspektywy przedłużenia kontraktu po 12 miesiącach?
- ?Czy są dedykowane budżety szkoleniowe lub konferencje związane z AI/Data Engineering?
- ?Jak oceniany jest sukces w tej roli – jakie KPI?
- −Nie podano wielkości i struktury zespołu Data Engineering
- −Brak informacji o procesie rekrutacyjnym (ile etapów, czy jest zadanie domowe)
- −Nie wiadomo, czy praca dotyczy jednego projektu czy rotacji między projektami
- −Brak informacji o możliwych nadgodzinach lub oczekiwanej dyspozycyjności
Na poziomie rynkowym
Dane z aktywnych ofert zawierających technologię GenAI. Pełne statystyki zarobków →