dLocal er en fintechvirksomhed, der udvikler betalingsinfrastruktur til globale virksomheder, som betjener kunder på vækstmarkeder. Platformen samler lokale betalingsmetoder og valutaer i mere end 40 lande og tilbyder tjenester inden for indbetalinger, udbetalinger og svindelhåndtering i realtid. Ved at forenkle grænseoverskridende transaktioner hjælper dLocal virksomheder inden for e-handel, deleøkonomi, digitale medier, finansielle tjenester og andre sektorer med at nå forbrugere i Afrika, Asien, Latinamerika og andre hurtigt voksende markeder.
Senior data- og AI-arkitekt – dLocal, Montevideo hybrid
Led dLocals globale arkitektur for fintechdata og analyse. Definér styrede data mesh-, streaming-, lakehouse-, semantik-, cloud- og MLOps-platforme.
Beskrivelse
- Sæt den tekniske retning for dLocals data- og analysearkitektur
- Byg et skalerbart, styret og tilgængeligt dataøkosystem på tværs af Data & AI og engineering
- Forbind domænedataprodukter med realtidsplatforme, analytiske workloads, maskinlæringsapplikationer og forretningsforbrug
- Definér virksomhedsarkitekturer til batch-, streaming-, lakehouse-, warehouse- og operationelle dataanvendelser
- Gennemgå RFC'er og rådgiv arkitekter om beslutninger inden for dataarkitektur
- Driv anvendelsen af data mesh gennem domæneejerskab, dataprodukter, fødereret styring, selvbetjeningsplatforme, søgbarhed, kvalitet og SLA'er
- Skab referencearkitekturer og engineeringstandarder for dataprodukter, pipelines, ingestion, lagring, behandling, orkestrering, observerbarhed, lineage, sikkerhed og adgang
- Design og styr streamingplatforme med Kafka, Kinesis, Flink, Spark Structured Streaming og Databricks
- Etablér praksisser for hændelsesbehandling med skemaer, kontrakter, hændelsestid, forsinkede data, idempotens, deduplikering, replay, genbehandling, dead-letter-håndtering og SLA'er for aktualitet
- Udvikl semantiske lag på tværs af domæner og virksomhedsontologier
- Vejled cloud-dataplatforme og lakehouse-funktioner på tværs af AWS og GCP
- Sæt den arkitektoniske retning for MLOps- og featureplatformsfunktioner
- Led eller understøt arkitektur-RFC'er, tekniske beslutninger, designgennemgange, migrationsstrategier og leveranceroadmaps
- Arbejd med domæneteams om ejerskab, produktansvar, operationel overdragelse, kvalitet, adgangsgodkendelser og brug på tværs af domæner
- Definér sikkerhedsforanstaltninger for datakvalitet, observerbarhed, privatliv, sikkerhed, robusthed, omkostningsstyring og produktionsparathed
- Håndtér kritiske arkitekturproblemer på tværs af teams, og før beslutningerne gennem implementering og drift
- Mentorér data engineers, platformsteams, data scientists, MLOps engineers, BI-teams og engineeringledere
- Kommunikér arkitekturvisionen, og valider designs i produktionen
Krav
- Have 8–10+ års erfaring med at designe og drive skalerbare dataarkitekturer, helst i komplekse enterprise- eller højvækstmiljøer
- Demonstrere stærk ekspertise i data mesh-arkitektur og driftsmodeller, herunder domæneejerskab, dataprodukter, fødereret styring, selvbetjeningsplatforme, kontrakter, kvalitet og søgbarhed
- Have dyb erfaring med streaming- og hændelsesdrevne systemer, herunder Kafka eller Kinesis samt en behandlingsmotor som Flink eller Spark Structured Streaming
- Have erfaring med at designe realtids- og næsten-realtidsworkloads med latensmåling, hændelsestidssemantik, forsinkede data, state, deduplikering, idempotens, replay og fejlhåndtering
- Forstå semantiske lag, forretningsontologier, kanoniske modeller, knowledge graphs eller metadatamodeller, måldefinitioner og semantisk styring
- Have ekspertviden om datamodellering, lake- og lakehouse-mønstre, warehouse-design, pipelines, dataprodukter, metadata, lineage og teknologier til datahåndtering
- Have erfaring med dataplatforme på AWS og/eller GCP; Databricks, Unity Catalog, Delta Lake, Iceberg eller tilsvarende teknologier er en fordel
- Være dygtig til Spark, Airflow, dbt, Kafka, Python, SQL, CI/CD, infrastruktur som kode og observerbarhedsværktøjer
- Have arkitektureret eller understøttet MLOps, feature stores, online- og offline-serving eller andre dataløsninger til maskinlæring med lav latenstid
- Kunne etablere rammer for dataadgang, dataforvaltning, styring, privatliv, sikkerhed, kvalitet og operationelt ansvar
- Forstå afvejninger mellem pålidelighed, skalerbarhed, ydeevne, robusthed, omkostninger og leverandørlåsning
- Demonstrere fremragende evner inden for interessenthåndtering, kommunikation, facilitering og påvirkning
- Være fortrolig med at håndtere risiko, tvetydighed og konflikter, mens du træffer og forklarer beslutninger
- Arbejde selvstændigt og proaktivt med god dømmekraft omkring, hvornår du skal søge input, og hvornår du skal gå videre
Fordele
- Fleksible arbejdstider og arbejdsformer, der balancerer selvstyret fokustid med samarbejde på fysiske samarbejdshubs, afhængigt af rollen og placeringen
- Mulighed for at arbejde i fintechbranchen
- Bonusprogram for medarbejderhenvisninger
- Mulighed for at arbejde hvor som helst under rejser i op til tre måneder om året