A oportunidade de trabalhar com Machine Learning é uma chance incrível para profissionais que buscam desafios e possibilidades de crescimento.
- PJ.
- 100% Remoto - Qualquer local BR.
Você terá a oportunidade de atuar em um projeto de grande escala, com foco no mercado B2B, presente em diversos países. O objetivo principal será o desenvolvimento de modelos de aprendizado de máquina que permitam aos nossos clientes tomar decisões informadas e alcançar seus objetivos.
Requisitos Mínimos:
* Experiência profissional comprovada como Engenheiro(a) de Machine Learning ou na área relacionada;
* Conhecimentos avançados em linguagens de programação como Python e suas principais bibliotecas (Pandas, Scikit-learn, TensorFlow/Keras ou PyTorch);
* Trabalho com ferramentas e frameworks de MLOps (ex: Kubeflow, MLflow, TFX) e orquestradores de workflow (ex: Airflow, Argo Workflows);
* Experiência prática com conteinerização com Docker e orquestração com Kubernetes (K8s).
Preferências:
* Experiência com processamento de dados em larga escala utilizando ferramentas como Apache Spark ou Beam;
* Vivência em plataformas de nuvem (AWS ou Azure);
* Experiência em projetos de sistemas de recomendação, visão computacional ou processamento de linguagem natural (PLN).
Principais Atividades:
- Implementar e Deploy: colocar em produção e manter pipelines de Machine Learning, garantindo alta disponibilidade e performance;
- Automação (MLOps): Desenvolver e gerenciar a infraestrutura de CI/CD (Integração Contínua/Entrega Contínua) para o ciclo de vida dos modelos, incluindo treinamento, versionamento, deploy e monitoramento automatizados;
- Infraestrutura em Nuvem: Utilizar os serviços da Google Cloud Platform (GCP) para construir e gerenciar soluções de ML, como Vertex AI, BigQuery;
- Monitoramento: Criar e manter sistemas de monitoramento para detectar desvios (drift) de dados e de conceito, quedas de performance e garantir a saúde dos modelos em produção;
- Colaboração: Trabalhar em estreita colaboração com Cientistas de Dados para entender os requisitos dos modelos e transformá-los em soluções produtivas e robustas;
- Boas Práticas: Aplicar as melhores práticas de engenharia de software no contexto de Machine Learning, incluindo testes, conteinerização (Docker/Kubernetes) e versionamento de código e dados.