Software Development Engineer- Data

Applied Research & Prototyping

• Conduct literature reviews and competitive analysis to identify innovative approaches for data processing, analytics, and model development.
• Build experimental frameworks to test hypotheses using real-world financial datasets.
• Prototype algorithms in areas such as anomaly detection, graph-based analytics, and natural language processing for compliance workflows.

Data Engineering for Research

• Develop data ingestion, transformation, and exploration pipelines to support experimentation.
• Work with structured, semi-structured, and unstructured datasets at scale.
• Ensure reproducibility and traceability of experiments.

Algorithm Evaluation & Optimization

• Evaluate research prototypes using statistical, ML, and domain-specific metrics.
• Optimize algorithms for accuracy, latency, and scalability.
• Conduct robustness, fairness, and bias evaluations on models.

Collaboration & Integration

• Partner with data scientists to transition validated research outcomes into production-ready code.
• Work closely with product managers to align research priorities with business goals.
• Collaborate with cloud engineering teams to deploy research pipelines in hybrid environments.

Documentation & Knowledge Sharing

• Document experimental designs, results, and lessons learned.
• Share best practices across engineering and data science teams to accelerate innovation.

Qualifications and Skills

Education

• Required: Bachelor’s degree in Computer Science, Data Science, Applied Mathematics, or related field.
• Preferred: Master’s or PhD in Machine Learning, Data Engineering, or a related research-intensive fie d.

Experience

• Minimum 4–7 years in data-centric engineering or applied research roles.
• Proven track record of developing and validating algorithms for large-scale data processing or machine learning applications.
• Experience in financial services, compliance, or fraud detection is a strong plus.

Technical Expertise

• Programming: Proficiency in Scala, Java, or Python.
• Data Processing: Experience with Spark, Hadoop, and Flink.
• ML/Research Frameworks: Hands-on with TensorFlow, PyTorch, or Scikit-learn.
• Databases: Experience with both relational (PostgreSQL, MySQL) and NoSQL databases (MongoDB, Cassandra, ElasticSearch).
• Cloud Platforms: Experience with AWS (preferred) or GCP for research and data pipelines.
• Tools: Familiarity with experiment tracking tools like MLflow or Weights & Biases.
• Application Deployment: Strong experience with CI/CD practices, Containerized Deployments through Kubernetes, Docker, etc.
• Streaming frameworks: Strong experience in creating highly performant and scalable real time streaming applications with Kafka at the core
• Data Lake