Mlops engineer sênior

Há 3 dias

home office, br Asaas Tempo integral

Grátis com e-mail ou Google

Salve esta vaga e mantenha sua pesquisa organizada

Crie uma conta gratuita para salvar vagas, criar alertas e retornar a esta listagem a partir do seu painel.

Grátis com e-mail ou Google

Ao continuar, você concorda com nossos Termos & Política de Privacidade.

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.

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.