Praktykant/ka w Zespole IT

Wymagania:

• Status studenta co najmniej 6. semestru studiów na kierunkach takich jak: Informatyka, Automatyka i Robotyka, Mechanika i Budowa Maszyn, Zarządzanie i Inżynieria Produkcji, Inżynieria Materiałowa,Mechatronika, Inżynieria Bezpieczeństwa, Mechanika i Budowa Maszyn, Automatyka i Robotyka, Logistyka.

• Zainteresowanie tematyką: administracją systemów IT wsparciem użytkowników (helpdesk), bezpieczeństwem IT, Programowanie obiektowe i funkcyjne w Python, analiza i wizualizacja danych (biblioteki naukowe), automatyzacja procesów i tworzenie skryptów narzędziowych, integracja oprogramowania z urządzeniami/sensorami.

• Znajomość podstaw: Składnia języka Python 3.x oraz standardowych bibliotek, podstawy baz danych (SQL) i systemów kontroli wersji (Git), zrozumienie algorytmów i struktur danych, angielski min. B2 (dokumentacja techniczna), umiejętność analitycznego myślenia i chęć do nauki specyfiki branży fotonicznej.

• Dobra znajomość języka angielskiego (poziom B2+).

• Chęć nauki i rozwoju, umiejętność organizacji pracy i analitycznego myślenia.

• Komunikatywność i umiejętność pracy w zespole, precyzyjność w analizie przepisów i dokumentacji.

To, co oferujemy:

• 2-miesięczne praktyki, które pozwolą Ci zdobyć cenne doświadczenie w dynamicznym środowisku technologicznym.

• Opracowany program praktyk, którego efektywność jest regularnie monitorowana – aż 98% uczestników ocenia go jako satysfakcjonujący.

• Realną przestrzeń do nauki i rozwoju, w tym możliwość pracy nad rzeczywistymi zagadnieniami prawnymi związanymi z nowymi technologiami.

• Możliwość zdobycia doświadczenia w VIGO, liderze w branży innowacyjnych technologii podczerwieni. Specjalizujemy się w projektowaniu i produkcji zaawansowanych detektorów podczerwieni oraz rozwiązań optoelektronicznych, które znajdują zastosowanie m.in. w przemyśle, kosmosie, medycynie, wojsku i bezpieczeństwie publicznym.

• Stałe wynagrodzenie za cały okres 2-miesięcznych praktyk.

• Dodatkową atrakcyjną nagrodę za zaangażowanie, przyznawaną na podstawie monitorowanych wyników.