Machine learning engineer sr.

Stack & Ferramentas 

• ML serving & treino: Ray (Serve, Train, Tune, Data, RLlib) 
• Registry & features: MLflow, Feast + Redis 
• Otimização: programação linear (Gurobi, HiGHS), RL offline 
• Linguagem & runtime: Python; Docker; leitura de Iceberg 

O que Buscamos 

Essenciais 

• Experiência comprovada colocando modelos de ML em produção. 
• Python e fundamentos sólidos de Engenharia de Software (APIs, testes, código limpo).
• Serving e otimização de inferência para baixa latência. 
• Familiaridade com containers (Docker) e com fluxos de MLOps (registry, deploy).
• Conforto com desenvolvimento assistido por IA (Claude Code). 

Diferenciais 

• Ecossistema Ray (Serve, Train, Tune, RLlib) forte diferencial. 
• Feature stores (Feast) e serving de baixa latência com Redis em escala.
• Otimização/solvers (Gurobi, HiGHS) ou revenue management em tempo real; RL offline. 
• Serving de IA generativa (vLLM, LiteLLM) e arquiteturas multi-tenant.

Sobre a oportunidade

Você é quem conecta o protótipo à produção. Vai desenhar e construir a engenharia de ML do motor de precificação o serving de inferência, os pipelines de treino e a engenharia de features para que modelos complexos rodem em tempo real, com baixa latência, sobre Ray. Foca na modelagem e no código de ML; a plataforma e o runtime ficam com o time de MLOps/Plataforma, com quem você trabalha lado a lado. 

Seus Desafios 

• Serving de inferência desenhar o pipeline de modelos encadeados sobre Ray Serve composição de modelos, baixa latência e estratégias de atualização. 
• Treino distribuído construir pipelines de treino (Ray Train/Data), HPO (Ray Tune) e modelos treinados por tenant, com checkpointing resiliente. 
• Engenharia de features definir e materializar features no feature store (Feast/Redis), garantindo consistência entre treino e produção. 
• Otimização e RL implementar e otimizar os componentes de otimização (programação linear) e de RL offline do pipeline de preço. 
• Qualidade do modelo monitorar drift do ponto de vista de modelagem, validar versões e produzir explicabilidade (SHAP) em parceria com MLOps. 
• Liderança técnica atuar como referência, mentorar e definir, com o time, o que é viável e escalável. 

Você faz o handoff com os cientistas de dados, recebe dados dos data engineers e entrega ao time de MLOps/Plataforma para deploy e operação.