Senior Delivery Consultant – Data, ProServe EMEA

Das Amazon Web Services Professional Services (ProServe) Team sucht einen Delivery Consultant, der sich auf Daten spezialisiert hat, um unserer Healthcare and Life Sciences (HCLS) Praxis beizutreten. Sie werden im Zentrum des bedeutendsten Wandels in der Unternehmens-technologie stehen: Organisationen wirklich AI-bereit zu machen. Jedes agentische AI-System, jedes Fundamentmodell, das auf Unternehmenswissen basiert, und jede GenAI-Anwendung, die von Prototypen in die Produktion übergeht, hängt von der darunter liegenden Datenebene ab - und das ist es, was Sie aufbauen.

Sie werden moderne Datenplattformen (Lake, Lakehouse, Mesh) entwerfen und implementieren, Datenpipelines architektonisch gestalten, die rohe, fragmentierte Datenbestände in verwaltete, AI-bereite Vermögenswerte umwandeln; und Unternehmens-RAG-Architekturen, Vektorspeicher, semantische Ontologien und Wissensgrapharchitekturen entwerfen und implementieren, die es Fundamentmodellen und AI-Agenten ermöglichen, genau zu schlussfolgern, sicher auf Daten zuzugreifen und autonom innerhalb regulierter Umgebungen zu agieren.

Sie werden praktisch in HCLS-Kundenumgebungen mit komplexer Datenherkunft, regulatorischen Überlagerungen (GxP, HIPAA, CDISC) und Altsystemen arbeiten und produktionsreife Datenprodukte liefern, die mehreren nachgelagerten Verbrauchern dienen, von der ML-Modellschulung bis hin zu agentischen Orchestrierungsschichten.

Die AWS Professional Services-Organisation ist ein globales Team von Experten, das Kunden dabei hilft, ihre gewünschten Geschäftsergebnisse bei der Nutzung von AWS-Diensten zu realisieren. Wir arbeiten zusammen mit Kundenteams und dem AWS Partner Network (APN), um Initiativen zur Transformation von Unternehmens-Cloud-Computing und AI umzusetzen.

• Entwurf und Implementierung von produktionsreifen Datenpipelines, Datenseen, Lakehouses und Daten-Mesh-Architekturen innerhalb von Unternehmens-HCLS-Umgebungen, Integration mit Altsystemen und bestehenden Daten-Governance-Rahmenwerken.
• Erstellung von Datenprodukten, die mehreren nachgelagerten Anwendungen und Anwendungsfällen dienen - von der AI/ML-Modellschulung bis hin zu agentischen AI-Systemen, wobei die Datenqualität, Herkunft und Zuverlässigkeit in großem Maßstab sichergestellt werden.
• Arbeiten mit einem hohen Maß an Autonomie innerhalb schnelllebiger Lieferengagements, Entscheidungen über Datenmodellierung, Pipeline-Design und Architektur treffen, ohne auf perfekte Spezifikationen oder ständige Aufsicht zu warten.
• Navigation durch komplexe Datenzugriffs-, Sicherheits- und Datenschutzanforderungen, die für Pharma und Gesundheitswesen einzigartig sind, einschließlich GxP-Compliance-Beschränkungen, HIPAA und regulatorischen Daten-Governance-Rahmenwerken.
• Architektur kontextueller Wissensschichten, einschließlich Ontologien und Wissensgraphen, unter Verwendung von AWS Context, Amazon Bedrock Knowledge Bases und benutzerdefinierten Ontologieerweiterungen, um AI-Agenten mit dem Vokabular und den Leitplanken auszustatten, um genau zu schlussfolgern und autonom innerhalb regulierter Umgebungen zu agieren.
• Zusammenarbeit über organisatorische Grenzen hinweg, um den Datenzugriff zu sichern, den Kontext des Quellsystems zu verstehen und Herausforderungen bei der Datenqualität mit Teams aus der Kunden-IT, dem Geschäft und Partnerorganisationen zu lösen.
• Iterative Lieferung, wenn Anforderungen unklar sind, unvollständige Geschäftsbedürfnisse in gut gestaltete Datenlösungen übersetzen, die sich weiterentwickeln können, während das Verständnis des Kunden reift.
• Anwendung von AI-DLC (AI-beschleunigte Entwicklungslebenszyklen) auf die Datenlieferung, um Datenarbeitsabläufe neu zu gestalten, um AI-nativ für beschleunigte Skalierung und Tempo zu werden.

Diverse Erfahrungen. Amazon schätzt vielfältige Erfahrungen. Selbst wenn Sie nicht alle bevorzugten Qualifikationen und Fähigkeiten erfüllen, die in der Stellenbeschreibung aufgeführt sind, ermutigen wir Kandidaten, sich zu bewerben. Wenn Ihre Karriere gerade erst beginnt, keinen traditionellen Weg eingeschlagen hat oder alternative Erfahrungen umfasst, lassen Sie sich nicht davon abhalten, sich zu bewerben.

• 5+ Jahre Erfahrung in Datenengineering, Datenarchitektur und/oder Entwicklung von Datenplattformen, mit praktischer Implementierung von Produktionsdatenpipelines.
• Abschluss in Informatik, Ingenieurwesen, Datenwissenschaft, verwandtem Bereich oder gleichwertige Erfahrung.
• Beherrschung moderner Entwurfsmuster für Datenplattformen, einschließlich Datenseen, Lakehouses, Daten-Mesh und Zero-ETL-Muster sowie Streaming-Architekturen, unter Verwendung von Diensten wie Amazon SageMaker Lakehouse, SageMaker Unified Studio, Amazon S3 Tables, Amazon Redshift und Zero-ETL-Integrationen.
• Erfahrung in der Architektur und dem Engineering von Ontologien und Wissensgraphen in Unternehmensumgebungen.

• AWS-Zertifizierungen in Data Analytics oder Machine Learning Specialty bevorzugt.
• Erfahrung in der Gesundheits- und Lebenswissenschaftsbranche, einschließlich Vertrautheit mit Compliance- und Sicherheitsrahmenwerken (HIPAA, GxP) und klinischen Datenstandards (OMOP, CDISC, FHIR).
• Praktische Erfahrung mit Apache Iceberg, Spark, Databricks, Snowflake, Kafka oder gleichwertigen verteilten Datenverarbeitungsrahmen.
• Erfahrung im Entwurf und in der Implementierung von Wissensgrapharchitekturen, Ontologiemodellen oder semantischen Datenschichten, die AI/ML und agentische AI-Systeme unterstützen.
• Erfahrung mit Daten-Governance- und Katalogisierungstools (z.B. AWS Glue Data Catalog, Collibra, Alation) und der Nachverfolgung der Datenherkunft sowie dem Entwurf von Datenzugriffsmustern, die Identität und minimalen Zugriff unterstützen.
• Erfahrung in der Zusammenarbeit mit Kunden-Geschäftsteams, IT und Partnerorganisationen, um Datenanforderungen zu verstehen und Zugangsherausforderungen zu lösen sowie technische Konzepte sowohl technischen als auch geschäftlichen Zielgruppen zu vermitteln.
• Beherrschung von AI-DLC oder gleichwertigen AI-beschleunigten Entwicklungsmethoden - einschließlich Prompt Engineering als Entwicklungsdisziplin, Mob-Programmierung mit AI und Erfahrung in der Validierung von AI-generiertem Datenpipeline-Code für die Produktionsbereitstellung in regulierten Umgebungen.