Estamos em busca de um Machine Learning Engineer experiente e apaixonado por transformar dados em soluções inteligentes que geram impacto real no negócio. Você será responsável por desenvolver, implementar e otimizar modelos de machine learning em produção, trabalhando em um ambiente moderno e colaborativo com tecnologias de ponta.

Responsabilidades:

– Desenvolvimento de Modelos ML: Projetar, desenvolver e implementar modelos de machine learning escaláveis para resolver problemas de negócio complexos
– MLOps e Produção: Construir e manter pipelines de ML robustos, garantindo a implantação, monitoramento e manutenção de modelos em produção
– Engenharia de Features: Criar e otimizar features utilizando DBT e PySpark, trabalhando com grandes volumes de dados
– Orquestração de Workflows: Desenvolver e gerenciar pipelines de dados e ML utilizando Apache Airflow
– Processamento de Dados: Realizar processamento distribuído de dados em larga escala com PySpark
– Colaboração: Trabalhar em estreita colaboração com cientistas de dados, engenheiros de dados e times de produto para entregar soluções end-to-end
– Otimização: Monitorar performance dos modelos, identificar degradações e implementar melhorias contínuas
– Documentação: Manter documentação técnica clara sobre arquitetura, modelos e processos

Requisitos Técnicos:

– Experiência sólida com desenvolvimento e deploy de modelos de Machine Learning em produção
– Python avançado e bibliotecas de ML/DL (scikit-learn, TensorFlow, PyTorch, XGBoost, etc.)
– Familiaridade com arquiteturas de GenAI: Amazon Bedrock ou similar, RAG pipelines, vector databases (pgvector, OpenSearch, Pinecone), e integração com APIs de LLMs
– Arquitetura de APIs e microsserviços (FastAPI, API Gateway, ECS/EKS)
– PySpark: Experiência comprovada em processamento distribuído de dados
– SQL avançado e experiência com PostgreSQL
– Apache Airflow: Construção e gerenciamento de DAGs complexos
– Cloud AWS: Conhecimento em serviços como SageMaker, S3, EC2, Lambda, ECR/ECS
– Experiência com Snowflake para armazenamento e processamento analítico
– Conhecimento em DBT para transformação de dados e modelagem
– Versionamento de código com Git e boas práticas de desenvolvimento

Diferenciais:

– Experiência com MLflow, Kubeflow ou outras plataformas de MLOps
– Conhecimento em Docker e Kubernetes
– Experiência com Feature Stores (Feast, Tecton, etc.)
– Familiaridade com práticas de CI/CD para ML
– Conhecimento em Big Data (Hadoop, Kafka, Spark Streaming)
– Experiência com A/B testing e experimentação
– Certificações AWS (ML Specialty, Solutions Architect, etc.)
– Vivência com metodologias ágeis (Scrum, Kanban)