Responsabilidades e atribuiçõesAtuar no desenho, desenvolvimento e evolução de plataformas e componentes reutilizáveis para o ciclo de vida de modelos de Machine Learning.Construir e manter pipelines de MLOps para automação de etapas como treino, validação, empacotamento, versionamento, deploy, rollback, monitoramento e retreinamento de modelos.Apoiar a produção de modelos de Machine Learning em ambientes batch, near real-time e real-time, garantindo escalabilidade, resiliência, segurança e observabilidade.Desenvolver frameworks, aceleradores, templates e padrões técnicos que facilitem o desenvolvimento e a implantação de modelos por diferentes times.Atuar na integração entre modelos de ML, pipelines de dados, APIs, microsserviços, feature stores, serviços de inferência e plataformas cloud.Definir e implementar boas práticas de CI/CD para Machine Learning, incluindo testes automatizados, validação de dados, validação de modelos, quality gates e estratégias de promoção entre ambientes.Contribuir para a criação de padrões de observabilidade para modelos em produção, incluindo métricas técnicas e de negócio, drift de dados e de modelos, latência, disponibilidade, custo e performance.Atuar em parceria com times de Data Science, Dados, Engenharia, Arquitetura, Segurança e Governança para garantir aderência a padrões corporativos, regulatórios e operacionais.Participar de discussões técnicas e arquiteturais sobre o uso de Machine Learning em contextos críticos do negócio financeiro.Requisitos e qualificaçõesFormação superior completa em Ciência da Computação, Engenharia da Computação, Sistemas de Informação, Engenharia de Software, Matemática, Estatística ou áreas correlatas.Experiência sólida em Engenharia de Machine Learning, MLOps, Engenharia de Software, Engenharia de Dados ou áreas correlatas.Conhecimento prático do ciclo de vida de modelos de Machine Learning em produção: desenvolvimento, treino, versionamento, deploy, monitoramento, sustentação e melhoria contínua.Experiência com desenvolvimento em Python, Java e boas práticas de engenharia de software, incluindo testes, versionamento, code review, modularização e documentação técnica.Conhecimento em construção e orquestração de pipelines de dados e/ou ML, utilizando ferramentas como Airflow, Step Functions, Kubeflow, MLflow, Jenkins, GitHub Actions ou equivalentes.Experiência com cloud computing, preferencialmente AWS, incluindo serviços relacionados a processamento, armazenamento, orquestração, APIs, segurança e observabilidade.Conhecimento em containers, APIs, microsserviços e arquitetura distribuída, como Docker, Kubernetes, serviços REST/gRPC ou equivalentes.Experiência com práticas de CI/CD aplicadas a modelos, serviços de inferência ou pipelines analíticos.Conhecimento em bancos de dados, SQL, ambientes analíticos e integração com plataformas de dados.Capacidade de traduzir necessidades de Data Science e negócio em soluções técnicas reutilizáveis, escaláveis e sustentáveis.Experiência com monitoramento, logs, métricas, rastreabilidade e troubleshooting de aplicações, pipelines ou modelos em produção.Experiência com plataformas de model registry, feature store, experiment tracking, model serving e model monitoring, utilizando ferramentas como MLflow, SageMaker, Databricks, Feast, Evidently, WhyLabs, BentoML, KServe ou similares.Conhecimento em arquitetura de plataformas internas para Machine Learning, com foco em self-service, padronização e reuso.Experiência com modelos em ambientes de alta escala, alta disponibilidade ou baixa latência.Conhecimento em governança de modelos, explicabilidade, documentação, auditoria, gestão de risco, qualidade de dados e compliance.Informações adicionaisPara se destacar nesta posição seria legal se você também tivesse:Conhecimento em LLMOps, RAG, agentes de IA, gateways de LLMs, avaliação de respostas, controle de custos e observabilidade para IA generativa.Experiência com frameworks de IA generativa e integração com LLMs, como LangChain, LangGraph, Spring AI, Bedrock, OpenAI, Anthropic, Vertex AI ou equivalentes.Experiência em ambientes regulados, especialmente mercado financeiro, meios de pagamento, bancos digitais, fintechs, crédito, risco, fraude, adquirência ou CRM.Conhecimento em Kafka, arquiteturas orientadas a eventos e processamento distribuído.Experiência com práticas de segurança em cloud, IAM, secrets management, criptografia, segregação de ambientes e proteção de dados sensíveis.Familiaridade com LGPD, princípios de Responsible AI e governança de dados.