RESPONSABILIDADES

• Liderar a construção e evolução de sistemas de AI em produção, combinando pipelines de dados batch e streaming, serviços backend e deploy de modelos de machine learning e LLMs.
• Projetar e implementar pipelines robustos de ingestão, transformação e disponibilização de dados estruturados, semi-estruturados e não estruturados, com foco em aplicações de AI generativa, RAG e analytics avançado.
• Desenvolver serviços backend escaláveis para inferência em tempo real e batch, utilizando APIs REST/gRPC/GraphQL, garantindo versionamento, observabilidade e SLAs.
• Projetar arquiteturas distribuídas orientadas a eventos para aplicações inteligentes, utilizando ferramentas como Kafka, Pub/Sub, Kinesis ou SQS/SNS.
• Definir padrões e boas práticas para bancos relacionais, não relacionais e vetoriais, incluindo modelagem de embeddings, feature stores e estratégias de retrieval para RAG.
• Operar workloads de AI em cloud e Kubernetes, incluindo otimização de GPUs, autoscaling, scheduling e controle de custos.
• Implementar pipelines de MLOps e LLOps, incluindo CI/CD de modelos, monitoramento de drift, versionamento de datasets e experiment tracking.
• Garantir governança, qualidade, rastreabilidade e segurança dos dados e modelos em todas as etapas do ciclo de vida.
• Atuar no desenho e otimização da arquitetura de dados e AI, priorizando desempenho, confiabilidade, custo-benefício e segurança.
• Antecipar riscos técnicos em pipelines, inferência e infraestrutura, propondo soluções escaláveis e resilientes.
• Apoiar a construção de plataformas internas de dados e AI (data platform / AI platform), promovendo padronização e reutilização de componentes.
• Colaborar com squads multifuncionais de produto, engenharia e ciência de dados, liderando decisões técnicas estratégicas.
• Mentorar engenheiros plenos e juniores, disseminando boas práticas de engenharia de software, dados e AI.
• Contribuir ativamente para a estratégia de AI corporativa, alinhando tecnologia aos objetivos de negócio e à evolução dos produtos.

REQUISITOS OBRIGATÓRIOS

• Mínimo de 5 anos de experiência em Engenharia de Dados, Backend, ML Engineering ou AI Engineering.
• Experiência sólida no desenvolvimento de pipelines batch e streaming em produção.
• Experiência comprovada no deploy e operação de modelos de ML ou LLMs em produção.
• Experiência em arquitetura distribuída e event-driven.
• Domínio de Python, SQL e desenvolvimento de APIs.
• Experiência com containers e Kubernetes.
• Experiência em cloud (AWS, GCP ou Azure) e boas práticas de governança de dados.
• Experiência em observabilidade de sistemas (logs estruturados, métricas, tracing).
• Experiência em otimização de performance de pipelines e serviços.
• Forte capacidade de comunicação técnica com stakeholders técnicos e não técnicos.

REQUISITOS DESEJÁVEIS

• Experiência com frameworks de LLMs e RAG (LangChain, LlamaIndex, etc.).
• Experiência com Ray, Spark, Flint, Beam ou sistemas distribuídos de processamento.
• Experiência com plataformas de experiment tracking e MLOps (ClearML, MLflow, Vertex AI, SageMaker).
• Conhecimento avançado em infraestrutura como código (Terraform, Helm, CDK).
• Experiência com deploy de aplicações escaláveis em Kubernetes.
• Experiência com bancos vetoriais e sistemas de busca semântica.
• Experiência com workloads de GPU e otimização de custo em cloud.
• Histórico de liderança técnica em projetos complexos ou plataformas internas.

SOFT SKILLS ESSENCIAIS

• Comunicação clara e eficaz em todos os níveis da organização.
• Capacidade de liderar discussões técnicas complexas e decisões arquiteturais.
• Habilidade de mentoria e desenvolvimento técnico do time.
• Visão sistêmica para avaliar riscos, trade-offs e oportunidades.
• Autonomia e iniciativa na resolução de problemas complexos.
• Mentalidade de dono de plataforma, com foco em confiabilidade, custo e experiência do desenvolvedor.

PROJETOS / REALIZAÇÕES VALORIZADAS

• Implementação de sistemas de AI em produção com alto impacto de negócio.
• Construção de pipelines streaming ou plataformas internas de dados/AI.
• Deploy de sistemas RAG com dados corporativos.
• Otimização comprovada de custo de infraestrutura ou uso de GPUs.
• Criação de arquiteturas distribuídas escaláveis e resilientes.
• Definição de padrões organizacionais de engenharia de dados ou AI.