Senior Staff Data Engineer

Acerca de Meeru AI

Meeru AI está construyendo una plataforma nativa de inteligencia artificial que transforma la forma en que operan los equipos de finanzas y contabilidad. Nos conectamos a sistemas financieros empresariales — ERPs, CRMs, plataformas de facturación, HRIS — y aplicamos aprendizaje automático para convertir datos operativos fragmentados en inteligencia fundamentada y auditable para CFOs, controladores y líderes de FP&A. Desplegamos en términos del cliente — SaaS multi-tenant, SaaS single-tenant y en las instalaciones — a través de AWS, Azure y GCP. Nuestros clientes son equipos de finanzas de Fortune 500 que requieren aislamiento de datos, auditabilidad y cumplimiento.

El rol

Estamos buscando un Ingeniero Senior de IA para construir la capa de IA e inteligencia — y ayudar a mantener la disciplina que la mantiene honesta. Nuestra producción se sitúa al lado de los informes financieros externos, por lo que "suena plausible" no es suficiente: todo lo que produce la IA debe estar fundamentado y ser rastreable a datos verificados. Construirás los modelos de aprendizaje automático que aprenden los patrones de cada cliente, los sistemas LLM y agentes que producen salidas en lenguaje natural fundamentadas, y ayudarás a mantener el rigor que asegura que esa salida sea fiel. Posees partes significativas de la capa de principio a fin, trabajando en estrecha colaboración con nuestro Ingeniero de IA Senior y el ingeniero de evaluación, y construyes modelos por cliente sin filtrar la señal que están destinados a detectar. Este es un rol de ingeniería práctico. Transformas diseños en sistemas de producción robustos, mides la calidad rigurosamente, ayudas a convertir la retroalimentación de los usuarios en mejoras duraderas y creces hacia una propiedad técnica a nivel de personal.

Ubicación y compromiso

• Offshore: abierto a trabajo remoto a nivel global, trabajando con nuestro equipo de ingeniería distribuido.
• Compromiso flexible: abierto a tiempo completo, contrato o contrato a contratación, lo que mejor se adapte a ti y al compromiso.
• Asociación con EE. UU.: colaboras estrechamente con el liderazgo de IA basado en EE. UU., con unas pocas horas de superposición de zona horaria diaria.

Qué hace diferente a este rol

• El fundamento es un requisito estricto: nunca se permite salida fabricada o no soportada.
• La fidelidad es una puerta de entrada, no un objetivo de ajuste.
• Separación clara de preocupaciones: las superficies de ML priorizan; el texto generado solo declara lo que está respaldado por datos verificados o confirmado por un humano.
• Inteligencia por cliente: modelos que aprenden el comportamiento de cada negocio, con estricta disciplina anti-fugas.
• Despliegues en nubes de clientes: incluyendo LLMs gestionados en VPC, por lo que los datos del cliente nunca abandonan su entorno.

Requisitos

• Más de 10 años en ingeniería de datos, incluyendo tiempo significativo a nivel de Staff, Principal o Lead.
• Has sido responsable de la arquitectura de datos para un sistema completo, no solo para tuberías individuales.
• Has diseñado un modelo de datos canónico o común utilizado por muchos equipos.
• Sabes cómo definir entidades compartidas, jerarquías, dimensiones y períodos de tiempo para que muchas fuentes diferentes encajen en un solo modelo, y muchos consumidores puedan confiar en él.
• Construyes de manera que nuevos clientes o fuentes se agreguen mediante configuración, no reescribiendo código.
• Has diseñado marcos de mapeo o estrategias de conectores que reutilizan trabajo en lugar de bifurcarlo, y puedes explicar cuándo construir versus configurar.
• Experiencia en SQL y dbt (o similar) modelando a gran escala. Funciones de ventana, grandes uniones, modelos de captura de datos incrementales y de cambio (CDC), y ajuste de rendimiento en grandes conjuntos de datos son herramientas cotidianas para ti.
• Conocimiento profundo de almacenes de datos: Snowflake, BigQuery y/o PostgreSQL. Entiendes la partición, los internos y las compensaciones de costo versus rendimiento de cada uno.
• Orquestación de producción con Airflow, Dagster o Prefect. Tus tuberías son idempotentes y reproducibles: las mismas entradas siempre producen las mismas salidas, y las reejecuciones son seguras.
• La línea de tiempo, los contratos de datos, la calidad de los datos y la evolución del esquema son parte de tu naturaleza. Has configurado captura de línea de tiempo (por ejemplo, OpenLineage, exposiciones de dbt), pruebas de calidad (pruebas de dbt, Great Expectations) y verificaciones que detienen una construcción cuando los números no concuerdan.
• Un firme compromiso con la corrección y la trazabilidad. "Cada número se relaciona con su fuente" es un estándar que mantienes, incluso bajo presión de plazos.
• Nuestros datos se sitúan junto a los informes financieros de las empresas y deben resistir auditorías.
• Fuerte conocimiento de Python para tuberías, herramientas y pruebas. Experiencia liderando y mentoreando ingenieros de datos, idealmente en equipos distribuidos u offshore. Realizas revisiones de diseño, escribes estándares y elevas el nivel sin convertirte en un cuello de botella.
• Comunicación clara con arquitectos, ingenieros de backend e ingenieros de IA, y producto. Puedes explicar y defender decisiones arquitectónicas por escrito y en reuniones, en inglés, con colegas de EE. UU. Disposición para trabajar parte de tu día superponiéndose con las horas de EE. UU. Nuestro liderazgo está basado en EE. UU.

Deseables

• Datos de origen financiero y ERP. Experiencia práctica con datos de NetSuite, SAP, Oracle o Workday, y comprensión de cómo se construyen y concilian los estados financieros (libro mayor, cuentas por pagar, nómina, devengos, pagos anticipados, capital).
• Despliegues en múltiples nubes y alojados por el cliente. Has ejecutado cargas de trabajo de datos a través de AWS, Azure y GCP, incluyendo dentro de la propia nube de un cliente con Docker/contenedores, estricta aislamiento de inquilinos y sin datos que abandonen su entorno.
• Experiencia en FinTech o servicios financieros, incluyendo exposición a SOC 2 o expectativas de auditoría para datos.
• Conjuntos de datos de prueba sintéticos o "dorados". Has construido datos de prueba realistas para que los equipos pudieran desarrollar y realizar pruebas de regresión antes de que los datos reales de los clientes estuvieran disponibles.
• Alimentar sistemas de ML o LLM desde una capa de datos curada. Entiendes lo que los equipos de IA necesitan de datos limpios y bien documentados.