MLOps Engineer Senior

Como MLOps, você será responsável por:

• Gerenciar pipelines de Machine Learning para treinamento, validação e deploy de modelos;
• Promover automação de deploy de modelos
• Promover plataforma que viabilize monitoramento e versionamento de modelos;
• Monitorar o desempenho dos modelos e garantir a governança e a escalabilidade das soluções.
• Garantir segurança, conformidade e boas práticas em ambientes de ML na nuvem.
• Trabalhar em conjunto com times de engenharia de dados e cientistas de dados para garantir a operacionalização de modelos.

Como requisitos básicos, você deve ter:

• Experiência com MLOps e engenharia de Machine Learning.
• Experiência com pipelines de dados e ML (Airflow, Kubeflow, MLflow, etc.).
• Conhecimento em automação e infraestrutura como código (Terraform, CloudFormation, CDK).
• Experiência com ferramentas de CI/CD (GitHub Actions, Jenkins, GitLab CI, etc.).
• Programação em Python e Bash para automação de tarefas.
• Familiaridade com conceitos de Ciência de Dados e Machine Learning.
• Experiência com versionamento de modelos e experimentação (DVC, MLflow, Metaflow).
• Experiência com técnicas e ferramentas voltadas para explicabilidade de modelos

Você se destaca se tiver:

• Conhecimento em serviços AWS aplicados a ML (SageMaker, S3, Lambda, Step Functions, EKS, ECS, Glue, etc.).
• Experiencia em Multicloud - (GCP, AWS Azure);
• Experiência com otimização de inferência para modelos grandes.
• Experiência com boas práticas de observabilidade e uso de ferramentas como Grafana, Datadog, OpenTelemetry
• Infraestrutura de Alta Performance – Experiência com GPUs e treinamento distribuído (Horovod, Ray, Spark MLlib).
• Implementação de inferência em baixa latência com Kafka, Apache Flink, Spark Streaming.
• Segurança e Compliance em ML – Conhecimento de LGPD/GDPR, adversarial attacks, model hardening e boas práticas em AWS (IAM, KMS, VPCs).;
• Deploy de Modelos em Kubernetes – Experiência com KServe, Seldon, KFServing para escalar inferências de ML.
• Automação de Infraestrutura – Uso de Terraform, Pulumi, CloudFormation para gerenciar recursos de ML como código.