Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
SStarCompliance
Великобритания5 месяцев назад
Грейд
Head
Формат работы
Удалённо
Уровень английского
B2, выше среднего
Письмо на почту или сообщение рекрутеру в Telegram
StarCompliance — ведущий поставщик технологий для обеспечения соблюдения нормативных требований сотрудниками, которому доверяют более 350 глобальных финансовых учреждений и строго регулируемых организаций. Его облачная SaaS-платформа помогает организациям управлять нормативными обязательствами, отслеживать активность сотрудников, выявлять потенциальные конфликты интересов и снижать риски. StarCompliance инвестирует в следующее поколение своей платформы на базе ИИ. Эта роль сыграет ключевую роль в создании основ данных, возможностей ИИ и инженерных практик, которые позволят создавать более интеллектуальные и предиктивные решения для обеспечения соответствия нормативным требованиям. Роль Мы ищем технического лидера, который лично занимался созданием современных платформ данных и производственных решений в области ИИ, и который сможет руководить командой, обеспечивающей высококачественную разработку программного обеспечения со значительно большей скоростью за счет ускорения инженерных процессов с помощью ИИ. Это не чисто стратегическая руководящая должность. Вы останетесь технически вовлечены: будете писать и рецензировать код, формировать архитектуру, создавать прототипы и принимать ключевые технические решения. Вы будете руководить разработкой надежной платформы данных, обеспечивать создание производственных генеративных ИИ-возможностей и предоставлять техническое руководство для традиционных инициатив в области машинного обучения, включая оценку рисков и прогнозирование решений на основе исторических закономерностей. Вы также будете отвечать за преобразование рабочих процессов команды путем внедрения ИИ на всех этапах жизненного цикла разработки программного обеспечения: от требований и написания кода до тестирования, проверки кода, документирования и эксплуатации. Успех будет измеряться не просто внедрением инструментов ИИ, а демонстративным улучшением производительности инженеров, скорости и качества выпуска. Работая в тесном сотрудничестве с техническим директором (CTO), директором по продукту, командами инженерии, архитектуры и безопасности, вы поможете определить и реализовать техническую дорожную карту StarCompliance в области данных и ИИ, одновременно формируя высокопроизводительную команду.
Инженерные решения для платформы данных Лично проектировать и создавать платформу данных, лежащую в основе возможностей StarCompliance в области ИИ и аналитики, охватывающую сбор, трансформацию, хранение данных, архитектуру хранилища данных или озера данных, а также моделирование данных. Создавать надежные, масштабируемые и хорошо управляемые конвейеры данных, обеспечивающие доступ к высококачественным данным для приложений ИИ и машинного обучения. Определять стандарты архитектуры данных и инжиниринга, обеспечивая их качество, происхождение, безопасность и управление с самого начала. Разрабатывать и поддерживать основы, необходимые для обучения, развертывания, мониторинга и улучшения моделей в производственной среде. Вносить практический вклад в техническую работу, а не работать исключительно через делегирование или надзор за программой. Производственные генеративные ИИ Лично создавать и развертывать генеративные ИИ-возможности в производственной среде, включая приложения на базе LLM, генерацию с дополненным поиском (RAG), ИИ-агентов и другие соответствующие функции продукта ИИ. Создавать надежные системы оценки для измерения точности, релевантности, надежности и безопасности выходных данных ИИ. Определять, как решения ИИ тестируются, контролируются и улучшаются, включая управление галлюцинациями, задержками, затратами и производительностью в производственной среде. Оценивать новые технологии ИИ и принимать обоснованные решения о том, когда создавать, покупать или интегрировать решения. Обеспечивать, чтобы возможности ИИ приносили измеримую ценность для клиентов и бизнеса, соблюдая при этом требования безопасности, конфиденциальности и управления в регулируемой среде. Традиционное машинное обучение Предоставлять техническое руководство для инициатив в области контролируемого машинного обучения, в частности, оценки рисков, классификации и прогнозирования решений на основе исторических закономерностей. Руководить специалистами по данным в выборе подходящих подходов к моделированию и оценке их пригодности для реальных бизнес-задач. Понимать и решать практические проблемы, такие как ограниченные или несбалансированные размеченные данные, калибровка моделей, объяснимость, предвзятость, проверка и мониторинг производительности. Устанавливать стандарты для оценки моделей, развертывания, мониторинга, обнаружения дрейфа и постоянного улучшения. Желательно иметь прямой опыт личного создания и развертывания моделей контролируемой оценки или классификации в производственной среде, таких как оценка кредитного риска, обнаружение мошенничества, моделирование склонности или прогнозирование оттока. Ускорение инженерных процессов с помощью ИИ Трансформировать способы создания и выпуска программного обеспечения инженерной командой путем внедрения ИИ на всех этапах разработки. Внедрять эффективные рабочие процессы с помощью ИИ, используя такие инструменты, как Claude, Codex, Cursor или аналогичные технологии, поддерживаемые многократно используемыми агентами, навыками, стандартами и инженерными практиками. Интегрировать ИИ в анализ требований, реализацию, проверку кода, автоматизированное тестирование, документирование, отладку и операционную поддержку. Создавать практические механизмы контроля для кода, сгенерированного ИИ, включая качество, безопасность, поддерживаемость и человеческую проверку. Измерять влияние этих практик с помощью таких данных, как сокращение времени цикла, более быстрая доставка, улучшение охвата тестированием и сокращение повторной работы. Создавать культуру, в которой ИИ является неотъемлемой частью процесса разработки команды, а не просто набором необязательных инструментов, используемых отдельными инженерами. Техническое лидерство и развитие команды Возглавлять, наставлять и развивать высокопроизводительную команду Data & AI, неся прямую ответственность за управление членами команды. Оставаться активно вовлеченным в написание кода, обзоры архитектуры, техническое проектирование и разработку прототипов. Устанавливать четкие технические стандарты и создавать среду, которая балансирует инженерную строгость с экспериментами и быстрой доставкой. Руководить и развивать инженеров данных, инженеров по машинному обучению и специалистов по данным, обеспечивая соответствующее техническое руководство в каждой области. Тесно сотрудничать с руководством в области продуктов и инженерии для определения приоритетов инициатив, решения технических проблем и достижения бизнес-целей. Четко доносить сложные технические решения как техническим, так и нетехническим заинтересованным сторонам. Управление, безопасность и влияние на бизнес Обеспечить, чтобы решения в области данных и ИИ проектировались для строго регулируемой среды, с соответствующими средствами контроля, прозрачностью, отслеживаемостью и подотчетностью. Создать пропорциональные практики управления моделями и управления рисками для производственных систем ИИ и машинного обучения. Согласовывать технические инвестиции с потребностями клиентов, коммерческими приоритетами и общей стратегией продукта StarCompliance. Партнерство с CTO и директором по продукту для определения приоритетов, оценки результатов и демонстрации ценности, предоставляемой функцией Data & AI.
В этой роли успех означает: Наличие надежной, масштабируемой платформы данных, построенной на основе обоснованных инженерных принципов и способной поддерживать производственные ИИ и машинное обучение. Развертывание генеративных ИИ-возможностей в производственной среде с надежной оценкой и мониторингом, демонстрирующими их эффективность. Команда может уверенно разрабатывать и поддерживать традиционные предиктивные модели, включая оценку рисков и прогнозирование решений. ИИ встроен во весь инженерный цикл, поддерживается общекомандными рабочими процессами и измеримыми улучшениями в скорости и качестве выпуска. Создана технически сильная, подотчетная команда с четким руководством, высокими инженерными стандартами и способностью добиваться значимых бизнес-результатов.
Навыки и опыт Практический опыт в области инженерии данных Подтвержденный опыт личного создания современной платформы данных, включая конвейеры сбора данных, трансформацию данных, архитектуру хранилища данных или озера данных и моделирование данных. Прочные навыки работы с Python и SQL, способность писать код производственного качества и напрямую работать с данными и инженерными системами. Опыт проектирования и внедрения масштабируемых, надежных конвейеров данных и производственных архитектур данных. Производственные генеративные ИИ Демонстрируемый опыт личного создания и развертывания генеративных ИИ-функций или функций на базе LLM в производственной среде. Практический опыт работы с RAG, ИИ-агентами или сопоставимыми архитектурами приложений LLM. Опыт проектирования и внедрения методов оценки для измерения качества, надежности и производительности производственных систем ИИ. Традиционное машинное обучение Глубокое понимание контролируемого машинного обучения и способность ставить под сомнение, направлять и руководить специалистами по данным. Способность принимать обоснованные технические решения относительно выбора моделей, ограниченных или несбалансированных данных, калибровки, объяснимости и постоянного мониторинга. Понимание того, как предиктивные модели проверяются, развертываются и поддерживаются в производственной среде. Ускоренная разработка программного обеспечения с помощью ИИ Демонстрируемый опыт использования ИИ для повышения эффективности работы команды, с подтвержденными измеримыми улучшениями в скорости выпуска, производительности или качестве. Опыт внедрения практик с поддержкой ИИ на различных этапах жизненного цикла разработки, а не просто введения помощников по написанию кода. Способность создавать многократно используемых агентов, навыки, рабочие процессы или стандарты, которые активно используются командой. Прочные основы разработки программного обеспечения, включая проверку кода, автоматизированное тестирование, архитектуру и механизмы контроля качества. Техническое лидерство Подтвержденный опыт руководства технической командой с прямыми подчиненными. Подтверждение того, что вы оставались технически вовлеченным в недавней роли путем написания кода, принятия архитектурных решений, проведения технических обзоров или создания производственных решений. Опыт определения технического направления, развития инженеров и выпуска производственных систем. Производственное предиктивное моделирование: Лично создавал и развертывал модели контролируемой оценки или классификации, особенно в области кредитных рисков, обнаружения мошенничества, моделирования склонности, прогнозирования оттока или аналогичных сценариев использования. Облачные и платформы данных: Опыт работы с Microsoft Azure и/или Snowflake. Регулируемые отрасли: Опыт работы в финансовой сфере, банковском деле, страховании, финтехе или регтехе. Управление моделями: Знакомство с управлением рисками моделей, объяснимостью, аудируемостью и управлением в регулируемых средах. Производственные операции: Опыт работы с MLOps, CI/CD, автоматизированным развертыванием моделей, мониторингом и управлением производительностью моделей.
Вы прежде всего инженер, обладающий глубоким практическим опытом в области платформ данных, ИИ и машинного обучения, в сочетании с лидерскими навыками для создания и развития команды. Вы можете продемонстрировать, что вы лично создали, объяснить технические решения, стоящие за этим, и показать, как это работает в производственной среде. Вы понимаете генеративный ИИ, но также цените важность традиционного машинного обучения для структурированных задач прогнозирования. Вы комфортно перемещаетесь между написанием кода, архитектурой, руководством командой и обсуждениями с руководством. Самое главное, у вас есть опыт превращения ИИ из инструмента индивидуальной продуктивности или экспериментальной технологии в практическую, измеримую часть того, как команда создает и выпускает программное обеспечение. StarCompliance ищет человека, который может создать фундамент, внедрить ИИ и трансформировать инженерный подход — а не просто установить стратегию или контролировать работу других над техническими задачами. Целостность и этика От всех сотрудников StarCompliance ожидается демонстрация высоких стандартов личной целостности, профессионализма и этического поведения, особенно при работе с конфиденциальными данными и технологиями в регулируемой среде.
Настоятельно предпочтительно
About StarCompliance StarCompliance is a leading provider of employee compliance technology, trusted by more than 350 global financial institutions and highly regulated organisations. Its cloud-native SaaS platform helps organisations manage regulatory obligations, monitor employee activity, identify potential conflicts of interest and mitigate risk. StarCompliance is investing in the next generation of its AI-enabled platform. This role will play a pivotal part in building the data foundations, AI capabilities and engineering practices that enable smarter, more predictive compliance solutions. The Role We are looking for a hands-on technical leader who has personally built modern data platforms and production AI solutions, and can lead a team that delivers high-quality software at significantly greater speed through AI-accelerated engineering. This is not a purely strategic leadership position. You will remain technically involved, writing and reviewing code, shaping architecture, building proofs of concept and making key technical decisions. You will lead the development of a robust data platform, deliver production-grade Generative AI capabilities, and provide technical direction for traditional machine learning initiatives, including risk scoring and predicting decisions from historical patterns. You will also be responsible for transforming how the team works by embedding AI across the software delivery lifecycle, from requirements and coding through to testing, code review, documentation and operations. Success will be measured not simply by AI tool adoption, but by demonstrable improvements in engineering productivity, delivery speed and quality. Working closely with the CTO, Product Director, Engineering, Architecture and Security teams, you will help define and deliver StarCompliance’s technical data and AI roadmap while building a high-performing team.
Responsibilities: Data Platform Engineering Personally design and build the data platform that underpins StarCompliance’s AI and analytics capabilities, covering data ingestion, transformation, storage, warehousing or lake architecture, and data modelling. Establish reliable, scalable and well-governed data pipelines that make high-quality data accessible for AI and machine learning applications. Define data architecture and engineering standards, ensuring data quality, lineage, security and governance are embedded from the outset. Develop and maintain the foundations required to train, deploy, monitor and improve models in production. Make hands-on technical contributions rather than operating solely through delegation or programme oversight. Production Generative AI Personally build and deploy Generative AI capabilities into production, including LLM-powered applications, retrieval-augmented generation (RAG), AI agents and other relevant AI product features. Establish robust evaluation frameworks to measure the accuracy, relevance, reliability and safety of AI outputs. Define how AI solutions are tested, monitored and improved, including the management of hallucinations, latency, cost and production performance. Evaluate emerging AI technologies and make informed decisions about when to build, buy or integrate solutions. Ensure AI capabilities deliver measurable customer and business value while meeting the security, privacy and governance requirements of a regulated environment. Traditional Machine Learning Provide technical direction for supervised machine learning initiatives, particularly risk scoring, classification and predicting decisions based on historical patterns. Lead data scientists in selecting appropriate modelling approaches and evaluating their suitability for real-world business problems. Understand and address practical challenges such as limited or imbalanced labelled data, model calibration, explainability, bias, validation and performance monitoring. Establish standards for model evaluation, deployment, monitoring, drift detection and ongoing improvement. Ideally, bring direct experience of personally building and deploying supervised scoring or classification models in production, such as credit risk, fraud detection, propensity modelling or churn prediction. AI-Accelerated Engineering Transform how the engineering team builds and delivers software by embedding AI throughout the development lifecycle. Implement effective AI-assisted workflows using tools such as Claude, Codex, Cursor or equivalent technologies, supported by reusable agents, skills, standards and engineering practices. Integrate AI into requirements analysis, implementation, code review, automated testing, documentation, debugging and operational support. Establish practical guardrails for AI-generated code, including quality, security, maintainability and human review. Measure the impact of these practices through evidence such as reduced cycle times, faster delivery, improved test coverage and reduced rework. Build a culture where AI is an integral part of how the team delivers, rather than simply a collection of optional tools used by individual engineers. Technical Leadership & Team Development Lead, mentor and develop a high-performing Data & AI team, with direct management responsibility for team members. Remain actively involved in coding, architecture reviews, technical design and proof-of-concept development. Set clear technical standards and create an environment that balances engineering rigour with experimentation and rapid delivery. Lead and develop data engineers, ML engineers and data scientists, providing the appropriate technical direction across each discipline. Work closely with Product and Engineering leadership to prioritise initiatives, resolve technical challenges and deliver against business objectives. Communicate complex technical decisions clearly to both technical and non-technical stakeholders. Governance, Security & Business Impact Ensure data and AI solutions are designed for a highly regulated environment, with appropriate controls, transparency, traceability and accountability. Establish proportionate model governance and risk management practices for production AI and machine learning systems. Align technical investment with customer needs, commercial priorities and the wider StarCompliance product strategy. Partner with the CTO and Product Director to define priorities, assess outcomes and demonstrate the value delivered by the Data & AI function.
Skills and Experience Hands-on data engineering Proven experience personally building a modern data platform, including ingestion pipelines, data transformation, warehousing or lake architecture, and data modelling. Strong Python and SQL skills, with the ability to write production-quality code and work directly with data and engineering systems. Experience designing and implementing scalable, reliable data pipelines and production data architectures. Production Generative AI Demonstrable experience personally building and deploying Generative AI or LLM-powered features into production. Practical experience with RAG, AI agents or comparable LLM application architectures. Experience designing and implementing evaluation methods to measure the quality, reliability and performance of production AI systems. Traditional machine learning Strong understanding of supervised machine learning and the ability to challenge, guide and direct data scientists. Ability to make sound technical decisions around model selection, scarce or imbalanced labels, calibration, explainability and ongoing monitoring. Understanding of how predictive models are validated, deployed and maintained in production. AI-accelerated software engineering Demonstrable experience using AI to improve the engineering output of a team, with evidence of measurable improvements in delivery speed, productivity or quality. Experience embedding AI-assisted practices across multiple stages of the development lifecycle, rather than simply introducing coding assistants. Ability to establish reusable agents, skills, workflows or standards that are actively adopted by the team. Strong software engineering fundamentals, including code review, automated testing, architecture and engineering quality controls. Technical leadership Proven experience leading a technical team with direct reports. Evidence of remaining hands-on in a recent role through coding, architecture decisions, technical reviews or building production solutions. Experience setting technical direction, developing engineers and delivering production systems. Strongly Preferred Production predictive modelling: Personally built and deployed supervised scoring or classification models, particularly in credit risk, fraud detection, propensity modelling, churn prediction or similar use cases. Cloud and data platforms: Experience with Microsoft Azure and/or Snowflake. Regulated industries: Experience in financial services, banking, insurance, fintech or regtech. Model governance: Familiarity with model risk management, explainability, auditability and governance in regulated environments. Production operations: Experience with MLOps, CI/CD, automated model deployment, monitoring and model performance management.
What Does Success Look Like? In this role, success means: A reliable, scalable data platform is in place, built on sound engineering principles and capable of supporting production AI and machine learning. Generative AI capabilities are deployed into production, with robust evaluation and monitoring demonstrating their effectiveness. The team can confidently develop and maintain traditional predictive models, including risk scoring and decision prediction. AI is embedded throughout the engineering lifecycle, supported by team-wide workflows and measurable improvements in delivery speed and quality. A technically strong, accountable team is established, with clear leadership, high engineering standards and the ability to deliver meaningful business outcomes. The Ideal Candidate You are an engineer first, with deep practical experience across data platforms, AI and machine learning, combined with the leadership skills to build and develop a team. You can demonstrate what you have personally built, explain the technical decisions behind it and show how it performs in production. You understand Generative AI, but also appreciate the importance of traditional machine learning for structured prediction problems. You are comfortable moving between code, architecture, team leadership and executive discussions. Most importantly, you have a track record of turning AI from an individual productivity tool or an experimental technology into a practical, measurable part of how a team builds and delivers software. StarCompliance is looking for someone who can build the foundations, deliver the AI and transform the engineering approach — not simply set the strategy or oversee others doing the technical work. Integrity & Ethics All StarCompliance employees are expected to demonstrate high standards of personal integrity, professionalism and ethical conduct, particularly when working with sensitive data and technology in a regulated environment.
Сравним навыки, грейд, формат работы и зарплату
