Especialista de software

Conhecimentos Técnicos: Arquitetura de Software: Domínio de Design Patterns (DDD, Solid) e forte experiência em projetar sistemas distribuídos (Microsserviços, Serverless). Proficiência em Linguagens de Backend/Scripting: Proficiência em uma ou mais linguagens de programação. Ex: Python, .Net, Java, Go. SDLC e DevOps Avançado: Profundo conhecimento do Ciclo de Vida do Desenvolvimento de Software e práticas de DevSecOps/CI/CD, com foco em automação de ponta a ponta. Ferramentas: Domínio de Git, Azure Devops/GitHub Actions/GitLab CI e ferramentas de gestão de artefatos. Experiência com Ferramentas de IA para Engenharia: Conhecimento e experiência prática na implementação e gestão de ferramentas como: Copilotos de Código: GitHub Copilot, Cursor, Amazon CodeWhisperer. Agentes de Análise de Pull Request: Ferramentas de análise de PRs baseadas em IA (Qodo, Agentes Customizados). Plataformas de Prompt/LLM: Experiência com o consumo de APIs de LLMs (OpenAI, Gemini, Azure OpenAI, etc.) para criar soluções internas. Engenharia de Prompt e Contextualização: Entendimento de como estruturar prompts e fornecer contexto do código-fonte da organização (via RAG - Retrieval-Augmented Generation, Custom Instructions e/ou outras técnicas) para aumentar a precisão e a segurança das sugestões de IA. Qualidade, Segurança e Observabilidade: Conhecimento em Qualidade de Software e em como as ferramentas de IA impactam a segurança do código. Modelos de Autenticação e Autorização: OAuth2, OpenID, JWT, com a perspectiva de como desenvolver produtos internos relacionados ao tema de IA que utilizem autenticação e autorização. Proficiência no idioma inglês para conversação e escrita. Será um diferencial: Alta capacidade de influência e mentoria técnica para promover a incorporação e a adoção de novas práticas de desenvolvimento com IA. Boa comunicação e habilidade para lidar com grupos técnicos e não-técnicos (Engenharia, Produto, Gestão de Projetos). Mentalidade de Engenheiro de Produtividade do Desenvolvedor , focado em otimizar o fluxo de trabalho fim a fim. Organização, capacidade de priorização e foco na entrega de valor e eficiência para os times de Engenharia. Estratégia e Arquitetura de IA no SDLC: Definir a arquitetura e os padrões para a integração e o uso estratégico de ferramentas e modelos de Inteligência Artificial em todas as fases do Ciclo de Vida do Desenvolvimento de Software (SDLC) da concepção à produção. Habilitação de Ferramentas de IA: Pesquisar, avaliar e integrar ferramentas de IA/Copilotos (e.g., GitHub Copilot, Cursor, ferramentas de LLM internas) no fluxo de trabalho dos desenvolvedores, garantindo segurança, privacidade e aderência aos padrões de código. Otimização de Fluxos de Trabalho com IA: Projetar e implementar soluções de IA para otimizar pontos específicos do SDLC, como: Engenharia de Requisitos: Utilização de IA para padronização, levantamento de requisitos a partir de código legado. Geração e Análise de Código: Integração de IAs para autocompletar código, gerar testes, analisar e refatorar Pull Requests (PRs), e automatizar a detecção de bugs e vulnerabilidades. Prototipação Rápida: Implementação de ferramentas de prototipação assistida por IA a partir de especificações ou wireframes. Governança de IA no Desenvolvimento: Condução de ADRs (Architecture Decision Record) focados na adoção de IA, avaliando o custo, o risco (e.g., vazamento de IP, alucinações de código) e a viabilidade técnica da incorporação de novas tecnologias de AI Coding Assistants. Construção de Plataformas e Agentes Internos: Desenvolver ou integrar plataformas que exponham modelos de IA genéricos (LLMs) como serviços internos, facilitando a criação de agentes customizados para tarefas específicas do desenvolvimento (e.g., bots de documentação, bots de análise de logs).