Mlops | Machine Learning Operations Pleno Ou Sênior

A hub xp é uma software house referência em outsourcing de tecnologia e está conduzindo um processo seletivo para atuar em um de nossos principais clientes — uma multinacional líder nos setores de Educação e Saúde, com forte presença internacional e listada na Bolsa de Nova York (NYSE).

Trata-se de um ambiente de alta performance, inovação contínua e impacto real na vida de milhões de pessoas, onde você terá a chance de contribuir em projetos estratégicos, com tecnologias de ponta e amplo espaço para crescimento profissional.

Sobre a Vaga Buscamos um(a) Engenheiro(a) MLOps para integrar nosso time de dados e ser responsável pela operacionalização de modelos de machine learning.

Este profissional será fundamental para criar a ponte entre ciência de dados e produção, garantindo que nossos modelos sejam deployados, monitorados e mantidos com excelência em ambientes produtivos.

Responsabilidades Projetar e implementar pipelines de CI / CD para modelos de machine learning Automatizar o ciclo de vida completo de ML : treinamento, validação, deploy e monitoramento Containerizar modelos usando Docker e orquestrar com Kubernetes Implementar versionamento de modelos, datasets e experimentos Desenvolver APIs robustas para servir modelos em produção Monitorar performance, drift e degradação de modelos em produção Colaborar com Cientistas de Dados para otimizar modelos para produção Integrar pipelines de ML com a infraestrutura de dados existente (DBT, warehouse) Estabelecer práticas de governança e compliance para modelos de ML Implementar estratégias de A / B testing e rollout gradual de modelos Documentar arquiteturas, processos e melhores práticas de MLOp.

Requisitos Obrigatórios Formação em Engenharia, Ciências da Computação ou áreas correlatas Experiência sólida com Python e frameworks de ML (TensorFlow, PyTorch, Scikit-learn) Domínio de Docker e containerização de aplicações Experiência com Kubernetes ou similares para orquestração Conhecimento profundo em Git e práticas de versionamento Experiência com plataformas cloud (AWS, GCP ou Azure) para ML : AWS : SageMaker, Lambda, ECR, ECS / EKS GCP : Vertex AI, Cloud Run, GKE Azure : Azure ML, AKS Experiência com ferramentas de MLOps (MLflow, Kubeflow, Weights & Biases, ou similares) Conhecimento em pipelines de dados e integração com data warehouses Experiência com monitoramento e observabilidade (Prometheus, Grafana, ELK) Familiaridade com conceitos de LLMOps para modelos de linguagem Requisitos Desejáveis Experiência com DBT e integração com pipelines de feature engineering Conhecimento em Apache Airflow ou ferramentas de orquestração Experiência com Feature Stores (Feast, Tecton) Conhecimento em model serving frameworks (TorchServe, TensorFlow Serving, Triton) Experiência com infraestrutura como código (Terraform, CloudFormation) Familiaridade com práticas de DataOps e integração com times de Analytics Engineering Conhecimento em segurança de modelos e AI adversarial Certificações em cloud ou ML engineering Competências Comportamentais Mentalidade DevOps e foco em automação Capacidade de trabalhar na interseção entre ciência e engenharia Excelente comunicação para alinhar expectativas entre times técnicos Proatividade na identificação de gargalos e otimizações Colaboração efetiva com Cientistas de Dados, Analistas e Engenheiros Pensamento sistêmico e visão end-to-end Diferencial desta Posição Você será pioneiro(a) na construção da cultura e infraestrutura de MLOps da empresa, trabalhando diretamente com times de Ciência de Dados, Analytics Engineering e BI para criar uma plataforma unificada e eficiente de dados e ML.

Stack do Time Transformação de Dados : DBT Visualização : Power BI Versionamento : Git / GitFlow ML / DS : Python, TensorFlow, Scikit-learn, LLMs Warehouse : (especificar o usado pela empresa) Orquestração : (a definir com o candidato) Modelo de contratação Início Imediato : até 5 dias 100% remoto Contrato PJ (Pessoa Jurídica) Projeto inicial de 03 meses, com possibilidade de renovação e / ou internalização no cliente.

Processo Seletivo Análise de perfil LinkedIn Teste técnico Entrevista técnica com time da hub xp Entrevista com o cliente Feedback e contratação