Pular para o conteúdo principal

MLOps Engineer Sênior (ML em Tempo Real)



Descrição da vaga

Se você tem paixão por inovação e busca trabalhar em um ambiente ágil, colaborativo e desafiador, esta pode ser a sua oportunidade!


Para compor nosso time de MLOps, buscamos uma pessoa para liderar a construção da nossa plataforma de ML em tempo real. Ela é a base para que modelos de machine learning, agentes de IA e aplicações tomem decisões em milissegundos, a partir de eventos que acabaram de acontecer em nossos produtos.


O desafio é desenhar e construir essa plataforma na AWS e entregá-la como serviço aos times de ciência de dados e de produto. Ela reúne feature store, registro de modelos, inferência em tempo real e monitoramento, para que esses times coloquem modelos em produção com autonomia.


Você vai fazer parte da estrutura de plataforma e trabalhar com os times de engenharia de software, de dados e de cloud, do desenho da arquitetura até a entrada em produção.


Se interessou pela oportunidade mas não reside em Joinville? Não tem problema, possibilitamos o trabalho remoto/home office.

Responsabilidades e atribuições

  • 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.

Requisitos e qualificações

  • 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.

Informações adicionais

Diferenciais:

  • Produtos Financeiros e Negócio: Experiência com tomada de decisão em tempo real em produtos financeiros (como risco, crédito ou prevenção a fraudes).
  • Arquiteturas de Streaming: Entendimento da construção e consumo de fluxos de streaming (ex.: Kafka, Kinesis, CDC, AWS DMS, MSK) para dialogar com os times de engenharia.
  • Ecossistema Databricks: Vivência no ecossistema Databricks para apoiar e se comunicar com cientistas e analistas de dados.
  • Regulações do Setor Financeiro: Conhecimento das principais regulações do setor (como LGPD, normas do Banco Central/BACEN e SOX).


Modelo de trabalho:

  • Carga horária de 8h por dia (segunda a sexta-feira);
  • Contratação CLT.

Etapas do processo

  1. Etapa 1: Cadastro
  2. Etapa 2: Estamos analisando o seu currículo!
  3. Etapa 3: Entrevista com Talent Acquisition
  4. Etapa 4: Análise Reputacional e de Conflitos
  5. Etapa 5: Entrevista Técnica
  6. Etapa 6: Entrevista Individual
  7. Etapa 7: Carta Proposta
  8. Etapa 8: Dados Pré-Admissionais
  9. Etapa 9: Contratação

Aqui, evoluir é um verbo que se conjuga no plural

Em 2010, Piero e Diego Contezini perceberam que cobrar era um processo manual e trabalhoso. O Asaas nasceu para resolver esse problema. Hoje, é uma plataforma financeira e operacional que automatiza cobranças, pagamentos e rotinas de gestão para mais de 300 mil clientes, de autônomos e MEIs a grandes negócios.

O nome faz referência a SaaS, sigla de Software as a Service, e soa como “asas” por um motivo: a ambição sempre foi ajudar quem empreende a ir mais longe. Fomos a primeira instituição de pagamento de Santa Catarina autorizada pelo Banco Central e, em 16 anos, o propósito segue o mesmo: acelerar a evolução dos negócios.

Quem gera valor para essas empresas todos os dias, por meio da automação e da integração de tecnologias, é a nossa tripulação, como chamamos o time: mais de 1.400 pessoas de diferentes estados do Brasil.