MLOps Engineer Sênior (ML em Tempo Real)
TypeFull-time job
LocationBrazil
Posted59 minutes ago
Se você tem paixão por inovação e busca trabalhar em um ambiente ágil, colaborativo e desafiador, esta pode ser a sua oportunidade!
Para compor nosso time de MLOps, buscamos uma pessoa para liderar a construção da nossaplataforma de ML em tempo real. Ela é a base para que modelos de machine learning, agentes de IA e aplicações tomem decisões em milissegundos, a partir de eventos que acabaram de acontecer em nossos produtos.
O desafio édesenhar e construir essa plataforma na AWSe entregá-la como serviço aos times de ciência de dados e de produto. Ela reúne feature store, registro de modelos, inferência em tempo real e monitoramento, para que esses times coloquem modelos em produção com autonomia.
Você vai fazer parte da estrutura de plataforma e trabalhar com os times de engenharia de software, de dados e de cloud, do desenho da arquitetura até a entrada em produção.
Se interessou pela oportunidade mas não reside em Joinville? Não tem problema, possibilitamos o trabalho remoto/home office.
Liderar o desenho da arquitetura da plataforma de ML em tempo real, avaliando alternativas e conduzindo as decisões técnicas com os times envolvidos;
Entregar a plataforma como serviço, com padrões, interfaces e documentação que permitam aos times de ciência de dados e de produto definir, publicar e consumir features e modelos sem depender do time de plataforma;
Construir e evoluir os componentes da plataforma: a feature store (online e offline, com metadados catalogados), o registro e versionamento de modelos, a inferência em tempo real e o monitoramento dos modelos em produção;
Garantir que as features usadas no treinamento e na inferência sejam as mesmas, com a mesma lógica em batch e em streaming, definindo os requisitos com os times de engenharia que constroem os fluxos de eventos;
Integrar a plataforma aos serviços de ML da AWS, com o Amazon SageMaker como base para o armazenamento de features, o registro de modelos e a inferência em tempo real;
Estruturar a operação da plataforma e dos modelos em produção com os times de Cloud e de Plataforma de Dados, usando infraestrutura como código, padrões e runbooks;
Garantir a latência, a disponibilidade e a escalabilidade da plataforma, com SLOs e observabilidade;
Documentar decisões técnicas, padrões e procedimentos operacionais, facilitando o crescimento do time e a evolução da stack.
Modelos em Tempo Real (Real-Time): Experiência em produção com modelos de machine learning em tempo real, com inferência acionada a cada evento e requisitos de baixa latência.
Arquitetura Self-Service:Vivência na entrega de plataforma como serviço, com padrões de arquitetura self-service, documentação e interfaces que deem autonomia aos times de ciência e produto.
Feature Store e Consistência de Dados:Experiência na construção de Feature Store (online e offline, com metadados catalogados) e garantia de consistência entre treinamento e inferência.
Registro e Monitoramento de Modelos:Prática na estruturação de registro e versionamento de modelos (Model Registry, ex.: MLflow) e monitoramento de modelos em produção.
Ecossistema AWS:Experiência na construção de plataformas de dados e ML na AWS, preferencialmente com Amazon SageMaker (Endpoints, Feature Store, Model Registry, Pipelines) ou serviços equivalentes.
Linguagens de Programação: Domínio avançado de Python e SQL para desenvolvimento de rotinas de dados e serviços de ML.
Engenharia de Software e IaC:Domínio de Terraform (IaC), automação de deploys via CI/CD e observabilidade em produção.
Informações adicionais
Diferenciais:
Produtos Financeiros e Negócio: Experiência com tomada de decisão em tempo real em produtos financeiros (como risco, crédito ou prevenção a fraudes).
Arquiteturas de Streaming: Entendimento da construção e consumo de fluxos de streaming (ex.: Kafka, Kinesis, CDC, AWS DMS, MSK) para dialogar com os times de engenharia.
Ecossistema Databricks: Vivência no ecossistema Databricks para apoiar e se comunicar com cientistas e analistas de dados.
Regulações do Setor Financeiro:Conhecimento das principais regulações do setor (como LGPD, normas do Banco Central/BACEN e SOX).
Modelo de trabalho:
Carga horária de 8h por dia (segunda a sexta-feira);
Contratação CLT.
Originally posted on Himalayas
Para compor nosso time de MLOps, buscamos uma pessoa para liderar a construção da nossaplataforma de ML em tempo real. Ela é a base para que modelos de machine learning, agentes de IA e aplicações tomem decisões em milissegundos, a partir de eventos que acabaram de acontecer em nossos produtos.
O desafio édesenhar e construir essa plataforma na AWSe entregá-la como serviço aos times de ciência de dados e de produto. Ela reúne feature store, registro de modelos, inferência em tempo real e monitoramento, para que esses times coloquem modelos em produção com autonomia.
Você vai fazer parte da estrutura de plataforma e trabalhar com os times de engenharia de software, de dados e de cloud, do desenho da arquitetura até a entrada em produção.
Se interessou pela oportunidade mas não reside em Joinville? Não tem problema, possibilitamos o trabalho remoto/home office.
Liderar o desenho da arquitetura da plataforma de ML em tempo real, avaliando alternativas e conduzindo as decisões técnicas com os times envolvidos;
Entregar a plataforma como serviço, com padrões, interfaces e documentação que permitam aos times de ciência de dados e de produto definir, publicar e consumir features e modelos sem depender do time de plataforma;
Construir e evoluir os componentes da plataforma: a feature store (online e offline, com metadados catalogados), o registro e versionamento de modelos, a inferência em tempo real e o monitoramento dos modelos em produção;
Garantir que as features usadas no treinamento e na inferência sejam as mesmas, com a mesma lógica em batch e em streaming, definindo os requisitos com os times de engenharia que constroem os fluxos de eventos;
Integrar a plataforma aos serviços de ML da AWS, com o Amazon SageMaker como base para o armazenamento de features, o registro de modelos e a inferência em tempo real;
Estruturar a operação da plataforma e dos modelos em produção com os times de Cloud e de Plataforma de Dados, usando infraestrutura como código, padrões e runbooks;
Garantir a latência, a disponibilidade e a escalabilidade da plataforma, com SLOs e observabilidade;
Documentar decisões técnicas, padrões e procedimentos operacionais, facilitando o crescimento do time e a evolução da stack.
Modelos em Tempo Real (Real-Time): Experiência em produção com modelos de machine learning em tempo real, com inferência acionada a cada evento e requisitos de baixa latência.
Arquitetura Self-Service:Vivência na entrega de plataforma como serviço, com padrões de arquitetura self-service, documentação e interfaces que deem autonomia aos times de ciência e produto.
Feature Store e Consistência de Dados:Experiência na construção de Feature Store (online e offline, com metadados catalogados) e garantia de consistência entre treinamento e inferência.
Registro e Monitoramento de Modelos:Prática na estruturação de registro e versionamento de modelos (Model Registry, ex.: MLflow) e monitoramento de modelos em produção.
Ecossistema AWS:Experiência na construção de plataformas de dados e ML na AWS, preferencialmente com Amazon SageMaker (Endpoints, Feature Store, Model Registry, Pipelines) ou serviços equivalentes.
Linguagens de Programação: Domínio avançado de Python e SQL para desenvolvimento de rotinas de dados e serviços de ML.
Engenharia de Software e IaC:Domínio de Terraform (IaC), automação de deploys via CI/CD e observabilidade em produção.
Informações adicionais
Diferenciais:
Produtos Financeiros e Negócio: Experiência com tomada de decisão em tempo real em produtos financeiros (como risco, crédito ou prevenção a fraudes).
Arquiteturas de Streaming: Entendimento da construção e consumo de fluxos de streaming (ex.: Kafka, Kinesis, CDC, AWS DMS, MSK) para dialogar com os times de engenharia.
Ecossistema Databricks: Vivência no ecossistema Databricks para apoiar e se comunicar com cientistas e analistas de dados.
Regulações do Setor Financeiro:Conhecimento das principais regulações do setor (como LGPD, normas do Banco Central/BACEN e SOX).
Modelo de trabalho:
Carga horária de 8h por dia (segunda a sexta-feira);
Contratação CLT.
Originally posted on Himalayas
Apply on Himalayas →
Job sourced from Himalayas. Applications happen directly on the original platform — we never collect your data.