Engenheiro - Atuação forte em Python, MLOps, GenAI/RAG e entendimento de domínio de negócio. Conhecimentos necessáriosLinguagem e backend- Domínio de Python ou JAVA para construção de APIs, serviços e jobs batch (ex. : FastAPI/Flask, scripts de automação, ETLs). - Boas práticas de código (logs, testes, organização de pacotes, virtualenv/poetry/pip, etc. ). Infraestrutura, containers e orquestração- Experiência com containers: build, otimização de imagens, multi-stage builds. - Experiência com Kubernetes / OpenShift (desejável experiência real em produção):- Deploy e operação de aplicações (Deployments, CronJobs, ConfigMaps, Secrets, Ingress/Routes). - Noções de observabilidade, logs, métricas e troubleshooting em cluster. MLOps / Data & AI- Experiência em Machine Learning clássico (treino, avaliação, versionamento de modelos e features). - Experiência em LLMs / GenAI em produção (vLLM, KServe, OpenShift AI ou similar). - Conhecimento em pipelines de dados e integração com fontes diversas. - Experiência com Kafka ou outros sistemas de mensageria/streaming para ingestão de eventos em larga escala. - Experiência com Elasticsearch / OpenSearch ou outro mecanismo de busca para indexação, consulta e análise de dados. Arquitetura e integração- Capacidade de desenhar arquiteturas de referência para soluções de IA (batch, near real time, APIs síncronas). - Integração de serviços de IA com sistemas legados, APIs REST e bancos de dados. - Experiência com Git, CI/CD e boas práticas de versionamento e automação de deploy. Domínio de negócio- Capacidade de traduzir requisitos de negócio em soluções técnicas de IA com foco em valor e governança. Perfil comportamental- Atuação sênior / hands-on, com autonomia para propor arquitetura, implementar, testar e colocar em produção. - Boa comunicação com times de negócio, produto, desenvolvimento e operações. - Capacidade de documentação clara (README, FAQs, dicionário de dados, fluxos de arquitetura, etc. ). Conhecimentos desejáveis- GenAI e LLMs avançado- Experiência com RAG, vector stores e embeddings. - Conhecimento em orquestração de LLMs (agentes, ferramentas, chain-of-thought supervisionado, etc. ). - Experiência com modelos como Llama, Falcon, ou outros LLMs self-hosted. - Ferramentas e ecossistema- Experiência com OpenShift AI / KServe / vLLM em ambiente corporativo. - Noções de monitoramento de custo e performance de modelos (tokens, latência, throughput). - Data Engineering / Analytics- Conhecimento de modelagem de dados, ETL/ELT e boas práticas de qualidade de dados. - Experiência em criação de dashboards/relatórios para acompanhar uso de IA, métricas de negócio e indicadores de risco. - Segurança e governança- Noções de segurança de dados, LGPD, anonimização e controle de acesso em projetos de governo/setor público. Boas práticas de governança de modelos (auditoria, rastreabilidade, logging de consultas, explainability básica).