MLOps Engineer Sênior

Vaga não está no LinkedIn

🔥 0 minutos atrás

Candidatar-se

Encontrar Vagas Remotas Similares

Configurar Alerta de Email para Novas Vagas

📊 Verifique sua pontuação de currículo para esta vaga

Melhore suas chances de conseguir uma entrevista verificando sua pontuação de currículo antes de se candidatar.

Enviar Currículo

SysMap Solutions

SiteLinkedInTodas as Vagas

1001 - 5000 funcionários

Fundada em 1999

A SysMap Solutions é uma empresa de serviços dedicada a oferecer desenvolvimento tecnológico aos seus clientes desde 1997.

Descrição

• Projetar e manter pipelines de CI/CD para modelos de ML e aplicações de LLM/RAG (treino, empacotamento, deploy e rollback); • Operacionalizar o ciclo de vida de modelos: versionamento, registro, feature stores, orquestração e reprodutibilidade de experimentos; • Construir e escalar plataformas de serving (batch e online) com foco em latência, custo e disponibilidade; • Implementar observabilidade end-to-end: monitoramento de performance, data/model drift, qualidade de dados e métricas de negócio; • Estabelecer práticas de governança, segurança e controle de custos de infraestrutura de dados e IA; • Colaborar com times de ciência de dados e engenharia para padronizar ambientes e reduzir o tempo de laboratório para produção; • Definir padrões, documentação e boas práticas de MLOps/LLMOps para os squads.

🎯 Requisitos

• **Requisitos:** • - Experiência sólida como Engenheiro(a) de MLOps, Dados ou Plataforma, com casos de modelos em produção; • - Domínio de Python e boas práticas de engenharia de software (testes, versionamento, code review); • - Experiência com orquestração de pipelines (ex.: Airflow, Databricks Workflows) e CI/CD (GitHub Actions, Azure DevOps ou similar); • - Experiência com versionamento e registro de modelos (MLflow) e monitoramento em produção; • - Vivência com processamento de dados em larga escala (Spark) e modelagem de dados analíticos. • **Diferenciais (preferência forte por Databricks):** • - **Experiência prática com a plataforma Databricks** (Unity Catalog, Delta Lake, MLflow gerenciado, Model Serving, Workflows e clusters); • - Otimização de custo e performance de jobs Spark e clusters no Databricks; • - Vivência com feature stores, monitoramento de drift e frameworks de avaliação de modelos.