- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Python-разработчик в Yandex DataLens
Оценка ИИЭто отличная возможность работать над топовым продуктом в сильной инженерной команде. Проект имеет Open Source составляющую, что полезно для личного бренда разработчика, а масштаб задач в Yandex Cloud гарантирует профессиональный рост.
Сложность вакансии
Оценка ИИРабота в Яндексе предполагает высокие стандарты качества кода и прохождение многоэтапного технического интервью. Задачи связаны с оптимизацией сложных аналитических запросов и поддержкой Open Source ядра, что требует глубокого понимания архитектуры.
Анализ зарплаты
Оценка ИИЯндекс обычно предлагает зарплаты на уровне или чуть выше рыночного медиана для Senior/Middle+ ролей, дополняя их расширенным соцпакетом и опционной программой. Указанные рыночные оценки соответствуют уровню компенсации в крупных российских бигтех-компаниях для опытных Python-разработчиков.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Яндекс уже сейчас
Присоединяйтесь к команде Яндекса и развивайте один из самых масштабных BI-инструментов в России!
Описание вакансии
Python-разработчик в Yandex DataLens
Компания: Яндекс
*☑️*Какие задачи вас ждут
-Строить гибкий API для решения задач анализа данных, оптимизировать построение модели данных
Датасеты — это способ объединить большое количество данных в модель, которая независимо от источника данных позволяет строить запросы к нему благодаря универсальному API. Датасеты должны быстро работать с любым количеством полей: это достигается различными оптимизациями и несколькими уровнями кеширования. Помимо развития API датасетов, мы также наполняем сервис и другими возможностями, улучшающими пользовательский опыт (это, к примеру, экспорты, алертинг, публичный API).
-Разрабатывать коннекторы для подключения к новым источникам
Мы постоянно увеличиваем набор доступных коннекторов к источникам данных, чтобы покрывать больше сценариев аналитики. Задача подключения каждого нового источника по-своему уникальна: необходимо не только разобраться в тонкостях его работы, но и продумать взаимодействие с коннектором с точки зрения пользователя.
-Работать над масштабированием, стабильностью и скоростью работы сервиса
Наша команда отвечает за все этапы жизни сервиса, от проектирования и разработки до развёртывания и поддержания работоспособности всех окружений. Мы сами обслуживаем как DataLens внутри Яндекса — одну из крупнейших инсталляций среди подобных инструментов, так и DataLens в Yandex Cloud — крупнейший облачный сервис аналитики и визуализации в России. Оптимизация пайплайнов CI/CD, улучшение инструментов мониторинга, развитие средств диагностики без прямого доступа к инсталляции и данным пользователей — в наших планах всегда находится место для актуальных инфраструктурных задач.
-Развивать ядро сервиса в опенсорсе, чтобы открыть новые возможности для его расширения
Чтобы каждый желающий мог добавить в сервис новый коннектор или иную функциональность, собрать и настроить систему под свои требования, необходимо поддерживать и развивать модульную архитектуру кода: выделять общие части, предоставляя точки для расширения.
*☑️*Мы ждем, что вы
-Разрабатывали на Python или готовы перейти на него с другого языка
-Работали с реляционными базами данных
-Строили и поддерживали отказоустойчивые системы
*☑️*Будет плюсом, если вы
-Работали с Flask, AIOHTTP, SQLAlchemy
-Знакомы с Docker, Terraform, Kubernetes
-Работали с другими облаками
-Интересуетесь анализом и визуализацией данных и работали с другими BI-системами
Python Job в Telegram | в VK | в Max
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Terraform
- SQL
- Kubernetes
- CI/CD
- PostgreSQL
- Docker
- Flask
- SQLAlchemy
- aiohttp
Возможные вопросы на собеседовании
DataLens работает с множеством источников, важно понимать, как оптимизировать запросы.
Как бы вы реализовали универсальный слой абстракции для выполнения SQL-запросов к разным типам БД (PostgreSQL, ClickHouse, MySQL)?
В описании упоминается несколько уровней кеширования для ускорения работы датасетов.
Какие стратегии инвалидации кеша вы бы применили для BI-системы, где данные могут обновляться в реальном времени?
Вакансия предполагает работу над отказоустойчивостью.
Расскажите, как обеспечить Graceful Degradation сервиса, если один из подключенных источников данных перестал отвечать?
Упоминается использование SQLAlchemy.
В чем разница между паттернами Data Mapper и Active Record, и почему SQLAlchemy использует именно Data Mapper?
Работа ведется в облачной инфраструктуре.
