Wie wir bei data.works arbeiten - Meet Sven

• Design und Implementierung von Big Data ETL-Pipelines, die Vorhersagen machen, unter Verwendung von Python, Java, Kubeflow Pipelines, BigQuery SQL, Dataflow und Kubernetes (GKE)
• Entwurf und Implementierung von Microservices unter Verwendung von Java, Python, Cloud Functions, Cloud Run, AppEngine und Kubernetes (GKE)
• Verwaltung der Infrastruktur in der Google Cloud Platform mit Terraform
• Wartung einschließlich Bugfixes, Patching und Support für alle von mir und meinem Team entwickelten Produkte
• Enge Zusammenarbeit mit unseren externen Kunden und den Unternehmen der Otto Group für eine optimale Kundenzufriedenheit

.Da wir wissen, dass die Interpretation von Rollenprofilen und Titeln in verschiedenen Unternehmen unterschiedlich sein kann, wollen wir einen groben Überblick darüber geben, wie wir diese Rollen definieren.

Am stolzesten bin ich auf die Überarbeitung des Volltextsuch-Backends unseres kontextbezogenen Targeting-Produkts. Aufgrund der stark zunehmenden Belastung des Produkts war unser altes PostgreSQL-Backend ins Straucheln geraten und hatte das Ende der Skalierbarkeit erreicht. Obwohl ich damals nur ein Junior Data Engineer war, ermöglichte mir mein Team, eine führende Position bei der Konzeption und Entwicklung des neuen Backends einzunehmen . Dazu gehörte die Entscheidung für Apache Solr als neue Volltextsuchmaschine, die Konzeption der Cloud-Architektur und die Migration bzw. Neuschreibung betroffener Komponenten des alten Backends. Das neue Backend ist seit April online und läuft wie geschmiert.

In unserer täglichen Arbeit verwenden wir viele neue und beeindruckende Technologien wie Kubeflow Pipelines, Argo oder Apache Beam on Dataflow. Daher ist es nicht einfach, eine auszuwählen, die heraussticht. Wenn ich mich für einen Favoriten entscheiden müsste, würde ich Dataflow in Verbindung mit Java wählen. Der serverlose Ansatz von Dataflow und die Pipeline-Semantik von Apache Beam, die Batch- und Stream-Verarbeitung vereint, bieten mir die Möglichkeit, Java-Code zu schreiben, der große Datenmengen verarbeitet, ohne dass ich stundenlang darüber nachdenken muss, wie ich das Programm skalieren und die verarbeiteten Daten effektiv auf Maschinen verteilen kann. Aufträge, die auf einer einzigen Maschine Tage dauern würden, werden in wenigen Minuten nahtlos auf über 100 Maschinen parallel ausgeführt. Es macht immer wieder Spaß zu sehen, wie mein Code über eine große Anzahl von Maschinen in der Google Cloud Platform verteilt und parallel ausgeführt wird.

In meiner Freizeit spiele ich gerne Tischtennis mit Freunden in meinem örtlichen Tischtennisverein. Neben Tischtennis habe ich eine große Leidenschaft für den Motorsport. Ich schaue mir fast jedes Formel-1-Wochenende an und verbringe gerne Zeit auf virtuellen Motorsportstrecken.