Nasze wymagania:
- Praktyczne doświadczenie z ekosystemem Microsoft Fabric (Lakehouse, Warehouse, Data Factory/Pipelines, Dataflows Gen2, Notebooki).
- Ekspercką znajomość Power BI: mistrzowskie modelowanie danych, zaawansowany DAX i projektowanie modeli semantycznych.
- Bardzo dobrą znajomość SQL oraz Python / PySpark pod kątem inżynierii danych.
- Doświadczenie w integracji danych z rozproszonych źródeł.
- Realne doświadczenie lub silną pasję do rozwiązań GenAI na danych (znajomość zasad Text-to-SQL/DAX, Prompt Engineeringu oraz oceny jakości odpowiedzi LLM/Evals).
- Biznesowe zacięcie: potrafisz patrzeć na dane przez pryzmat wartości dla organizacji i samodzielnie doprecyzowywać niejednoznaczne wymagania.
- Proaktywność i samodzielność: szukamy osoby, która potrafi zaproponować własne rozwiązania i poprowadzić wątek od A do Z.
- Płynny język angielski (C1): swoboda w codziennej komunikacji z klientem i stakeholderami z rynku amerykańskiego.
Mile widziane:
- Doświadczenie w projektach mierzenia adopcji narzędzi IT, cyfrowej transformacji lub wyliczania ROI z projektów technologicznych.
- Praktyka z Azure OpenAI lub Azure AI Foundry.
O projekcie:
Szukamy Data & AI Engineera, który połączy możliwości Microsoft Fabric z potencjałem GenAI. Dołączysz do projektu naszego klienta, gdzie przekształcisz złożone dane w mierzalne KPI. Twoim głównym celem będzie zastąpienie tradycyjnego raportowania konwersacyjnym dostępem do danych. To doskonała okazja, by realnie wdrożyć rozwiązania typu "Chat with your data" na dużą skalę.
Zakres obowiązków:
- Inżynieria danych (MS Fabric): Łączenie danych z różnych źródeł (API, bazy, pliki) oraz tworzenie procesów ich przetwarzania za pomocą Lakehouse, Dataflows Gen2 i PySpark.
- Modelowanie i Power BI: Budowanie sprawnie działających modeli danych oraz przejrzystych raportów w Power BI z wykorzystaniem DAX.
- Łącznik z biznesem: Praca z klientem z USA nad przekształceniem pytań biznesowych w konkretne wskaźniki (np. adopcja AI i ROI z wdrożeń).
- Wdrożenia GenAI: Tworzenie rozwiązań pozwalających na pytanie o dane w języku naturalnym (np. Fabric Data Agents, Copilot w Power BI lub Text-to-SQL/DAX).
- Jakość i bezpieczeństwo: Testowanie trafności odpowiedzi generowanych przez AI oraz dbaniem o to, by system podawał precyzyjne i bezpieczne dane.