[Job - 28894] Senior Machine Learning Engineer, Brazil

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.

- 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

- 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: Experiência 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

- 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)