Auf einen Blick
Dscout sucht einen AI Data Engineer, der an der Schnittstelle von ML-Systemen und Data Engineering arbeitet. Mit 5+ Jahren Erfahrung in großskaligen Pipelines werden Sie die Datengundlagen für vertrauenswürdige Production-AI-Features aufbauen.
💰 ~$170.000–240.000/Jahr (geschätzt)
📊 Senior
🕒 Vollzeit
🌍 Remote
🗺️ Americas
- 5+ Jahre Data Engineering
- ML Production Experience
- Python, Snowflake, Postgres
- Airflow/Dagster Orchestration
Python
Snowflake
Postgres
Airflow
ML Systems
Data Quality
Production AI Systems
Gehalt geschätzt anhand Senior Data Engineer, 5+ Jahre Production-ML, USA Remote. Kein Gehalt in der Anzeige angegeben.
✅ Geeignet für
- Data Engineers mit ML-Fokus
- Ingenieure mit Quality-Mindset
- Production-First Denker
🚫 Weniger geeignet
- Reine Analytics Engineers
- Anfänger ohne Production-Experience
- SQL-Only Spezialisten
💡 Gut zu wissen
- AI-Eval-mindset ist zentral für die Rolle
- High-Agency erwartet: ambiguous Problems selbst lösen
- AI-Coding-Tools sind Standard im Workflow
Über das Unternehmen
Dscout betreibt die flexibelste und leistungsstärkste UX-Research-Plattform der Welt, vertraut von Top-Marken wie JP Morgan Chase, Google, Amazon, Meta und Spotify. Die Plattform verbindet umfangreiche Nutzerverhaltens-Daten mit KI-Features für tiefere Produkteinblicke.
Deine Aufgaben
- Design, Build und Ownership von Datenpipelines, die Daten von Anwendungen und Third-Party-Quellen in Warehouses transformieren
- Zusammenarbeit mit Analytics Engineering für robuste Daten-Modelle und Reporting
- Eignerschaft der Datenqualität über Ingestion, Modeling und Reporting
- Aufbau und Betrieb von Production-AI-Systemen und Data-Infrastructure
- Design von Evaluation-Systemen für AI-Feature-Readiness
- Setzung von Standards für Datenarbeit durch klare Kommunikation und Kontext-Sharing
Deine Voraussetzungen
- 5+ Jahre Data Engineering mit echter Exposure zu ML-Systemen in Production
- Persönliche Erfahrung mit großskaligen Datenpipelines von Application-Sources in Warehouses
- Starke Python-Skills und Fluency in der Data-Stack (Snowflake, Postgres)
- Erfahrung mit Orchestration-Tools wie Airflow oder Dagster
- Hands-on Experience mit Production-AI/ML-Systemen und Ownership nach Launch
- Genuine Standpoint zu Evaluation-Strategien
