Descrição da Vaga
Profissional sênior responsável por desenhar, desenvolver e operar soluções de Inteligência Artificial ponta a ponta — desde pipelines de dados até deploy de modelos de Machine Learning e LLMs em ambiente container-orientado (Kubernetes/OpenShift). Atuação forte em Python, MLOps, GenAI/RAG e entendimento de domínio de negócio.
Conhecimentos necessários
Linguagem e backend
-
Domínio de Python ou JAVA para construção de APIs, serviços e jobs batch (ex.: FastAPI/Flask, scripts de automação, ETLs).
-
Boas práticas de código (logs, testes, organização de pacotes, virtualenv/poetry/pip, etc.).
Infraestrutura, containers e orquestração
-
Experiência com containers: build, otimização de imagens, multi-stage builds.
-
Experiência com Kubernetes / OpenShift (desejável experiência real em produção):
-
Deploy e operação de aplicações (Deployments, CronJobs, ConfigMaps, Secrets, Ingress/Routes).
-
Noções de observabilidade, logs, métricas e troubleshooting em cluster.
MLOps / Data & AI
-
Experiência em Machine Learning clássico (treino, avaliação, versionamento de modelos e features).
-
Experiência em LLMs / GenAI em produção (vLLM, KServe, OpenShift AI ou similar).
-
Conhecimento em pipelines de dados e integração com fontes diversas.
-
Experiência com Kafka ou outros sistemas de mensageria/streaming para ingestão de eventos em larga escala.
-
Experiência com Elasticsearch / OpenSearch ou outro mecanismo de busca para indexação, consulta e análise de dados.
Arquitetura e integração
-
Capacidade de desenhar arquiteturas de referência para soluções de IA (batch, near real time, APIs síncronas).
-
Integração de serviços de IA com sistemas legados, APIs REST e bancos de dados.
-
Experiência com Git, CI/CD e boas práticas de versionamento e automação de deploy.
Domínio de negócio
-
Capacidade de traduzir requisitos de negócio em soluções técnicas de IA com foco em valor e governança.
Perfil comportamental
-
Atuação sênior / hands-on, com autonomia para propor arquitetura, implementar, testar e colocar em produção.
-
Boa comunicação com times de negócio, produto, desenvolvimento e operações.
-
Capacidade de documentação clara (README, FAQs, dicionário de dados, fluxos de arquitetura, etc.).
Conhecimentos desejáveis
-
GenAI e LLMs avançado
-
Experiência com RAG, vector stores e embeddings.
-
Conhecimento em orquestração de LLMs (agentes, ferramentas, chain-of-thought supervisionado, etc.).
-
Experiência com modelos como Llama, Falcon, ou outros LLMs self-hosted.
-
Ferramentas e ecossistema
-
Experiência com OpenShift AI / KServe / vLLM em ambiente corporativo.
-
Noções de monitoramento de custo e performance de modelos (tokens, latência, throughput).
-
Data Engineering / Analytics
-
Conhecimento de modelagem de dados, ETL/ELT e boas práticas de qualidade de dados.
-
Experiência em criação de dashboards/relatórios para acompanhar uso de IA, métricas de negócio e indicadores de risco.
-
Segurança e governança
-
Noções de segurança de dados, LGPD, anonimização e controle de acesso em projetos de governo/setor público. Boas práticas de governança de modelos (auditoria, rastreabilidade, logging de consultas, explainability básica).
