Especialista em Machine Learning Engineering - MLOps | Data Science

🚀 Sobre a Oportunidade

A área de Data Science tem como missão aplicar técnicas de machine learning para gerar soluções escaláveis, monitorar o desempenho de modelos e automatizar processos, apoiando a tomada de decisão e a otimização de resultados da organização.
Buscamos um Especialista em MLOps/ML Engineering para ser o principal responsável pela esteira de MLOps da área e o guardião da qualidade dos modelos em produção. É uma posição de viés técnico e mentoria técnica, na qual você atuará como multiplicador: definindo padrões, destravando gargalos e garantindo que a área de Data Science escale com qualidade e governança.

Saiba mais sobre nosso dia a dia no Instagram e no LinkedIn.

Confira nossas avaliações no Glassdoor.

🔍 O Que Procuramos

Pré-requisitos Essenciais:

• Bacharelado ou mestrado em áreas da Computação, Ciência de Dados ou áreas correlatas.
• Experiência comprovada com MLOps e Engenharia de Machine Learning.
• Experiência comprovada na construção de esteiras de MLOps, não apenas no consumo de ferramentas prontas.
• Experiência sólida com Databricks (Spark, Delta Lake, MLflow, Unity Catalog, Feature Store).
• Programação em Python e PySpark (SQL como complemento).
• Experiência com pipelines de dados e ML, incluindo padronização e experimentação de modelos (Airflow, MLflow, etc.).
• Experiência com feature stores.
• Experiência com técnicas e ferramentas de explicabilidade de modelos (SHAP, LIME, etc.).
• Experiência com modelagem estatística (inferência, testes de hipótese, regressão, séries temporais, modelagem probabilística).
• Experiência com ferramentas de CI/CD (GitHub Actions, GitLab CI, etc.).
• Experiência prática com Azure.
• Conhecimento de Docker e Kubernetes (incluindo AKS).
• Alinhamento à nossa cultura.
• Residir em São Paulo e ter disponibilidade para regime híbrido (3 dias presenciais por semana).

Diferenciais:

• IA Generativa e soluções agênticas (LLMs, RAG, fine-tuning, embeddings, prompt engineering, orquestração multiagente, tool calling, memória), como visão de futuro da área.
• Azure AI Foundry para desenvolvimento, deploy, avaliação e governança de aplicações de GenAI e agentes.
• Frameworks de observabilidade/avaliação de LLMs e agentes (LangSmith, Ragas, Arize).
• Feature stores de mercado (Feast, Tecton) e boas práticas para evitar training-serving skew.
• IaC / automação (Terraform, Bicep).
• Padronização e experimentação de modelos com ferramentas adicionais (Kedro, DVC, Metaflow).
• Streaming de dados (Kafka, Event Hubs).
• GPUs em Kubernetes, quantização e otimização de inferência de LLMs (ex.: KAITO/AKS).
• Governança de dados e segurança de modelos.

🎯 Desafios e Impacto

• Ser o principal responsável pela esteira de MLOps, conduzindo sua construção, evolução e operação ponta a ponta.
• Garantir a qualidade dos modelos em produção, atuando como guardião dos padrões de Machine Learning em produção (confiabilidade, testes, documentação e SLAs).
• Projetar e manter pipelines de dados e ML, do treinamento ao deploy e ao monitoramento em produção, de forma modular, versionada e reprodutível.
• Habilitar o time de Data Science na adaptação ao padrão da esteira, disseminando boas práticas de engenharia de ML.
• Mentorar tecnicamente profissionais em formação, por meio de design reviews, pareamento em problemas complexos e elevação do nível técnico do time.
• Operar a infraestrutura de ML em nuvem, otimizando desempenho, custo e confiabilidade da inferência e do serving de modelos.
• Atuar como ponte entre as áreas técnicas (Engenharia, Engenharia de Dados, Governança, DevOps, Gestão de Acessos e Arquitetura), antecipando dependências, riscos e bloqueios que impactam Data Science.
• Colaborar com Data Science, Engenharia de Dados, Produto e Negócio na priorização, no desenho e na entrega das soluções.

⏳ Etapas do Processo

1. Triagem inicial: Análise do currículo para verificar a adequação às qualificações e requisitos da vaga.

2. Testes gerais: Avaliação do alinhamento cultural com o teste da Mindsight e teste de raciocínio lógico da Predictive Index.

3. Entrevista com a equipe de Recrutamento: Discussão sobre as expectativas em relação à vaga e aos objetivos profissionais.

4. Avaliação técnica: Entrevista focada nas habilidades específicas necessárias para a função.

5. Entrevista com a liderança: Uma conversa para discutir sua visão e como você pode contribuir para a equipe e a empresa.

6. Entrevista com colegas de trabalho: Interação com futuros pares para avaliar a sinergia e o trabalho em equipe.

7. Entrevista focada em cultura: Exploração dos valores e princípios da empresa para garantir um bom encaixe cultural.

8. Oferta: Apresentação da proposta de trabalho, incluindo detalhes sobre remuneração e benefícios.