Lead AI/ML Engineer

Vaga não está no LinkedIn

🕒 Julho 15

🇺🇸 Estados Unidos – Remoto (EUA)

⏰ Tempo Integral

🟠 Sênior

🤖 Engenheiro de IA

👻 Score fantasma 15%

O que significa: quão provável esta vaga está aberta sem contratação ativa.Como ler: 60% ou mais significa que achamos que é uma vaga fantasma. Pontuações mais baixas preocupam menos.Como pontuamos: tempo em aberto, republicações, vagas abertas vs tamanho do time, rapidez para fechar vagas, e se o salário está divulgado.Observação: é uma estimativa de dados públicos, não um julgamento da empresa. Vagas reais podem ter pontuação alta, então use como uma dica, não como um fato.

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

UFS Tech

SiteLinkedInTodas as Vagas

201 - 500 funcionários

🏦 Bancário

💳 Fintech

🔒 Cibersegurança

💰 $19.920.400 Venture Round - UFS em 2019-05

Banking • Fintech • Cybersecurity

A UFS Tech é uma provedora de tecnologia e serviços que se concentra em capacitar bancos comunitários. Ela oferece plataformas de banco central e banco digital, pagamentos, gestão de caixa e ferramentas de engajamento do cliente junto com serviços de TI gerenciados (nuvem privada, e-mail hospedado, suporte ao usuário final), soluções de cibersegurança (gerenciamento de firewall virtual, gerenciamento de vulnerabilidades, SureProtect/SureWatch), backup e recuperação de desastres, imagem e entrega de documentos, além de serviços de consultoria para TI, segurança da informação e conformidade regulatória. A UFS se posiciona como parceira dos bancos comunitários, oferecendo soluções modulares e serviços profissionais desenvolvidos sob medida para ajudar os bancos a operarem com segurança, atenderem aos requisitos regulatórios e desenvolverem relacionamentos com os clientes.

Descrição

• Build Navanta’s retrieval and verifications over data systems, with shown queries and citations for every answer • Stand up self-hosted open-weight models serving and embeddings inside each bank’s environment or shared environments for Navanta; evolve RAG to a dedicated standard • Design the MCP tool layer that exposes a small, audited set of read-only tools (metrics, documents, customer 360), eventually growing into read/write tools with heavy amounts of regulated, highly sensitive data • Build and maintain the evaluation harness — golden-question regression, groundedness and retrieval metrics, explicit “I don’t know” behavior — and make it a release gate • Implement LLM guardrails: PII redaction in prompts and context, prompt-injection defenses, and cost and row limits aligned to regulatory security expectations • Partner with data teams so the model selects governed metrics from the semantic layer rather than improvising SQL • Document model architecture, evaluation methodology, and guardrail controls to support customer security reviews and audit readiness • Track latency, cost, and quality trade-offs across model versions and deployment configurations

🎯 Requisitos

• 6–10+ years building software, with 2–3+ years shipping production LLM, RAG, or NLP systems used by real people — not prototypes • A demonstrated focus on accuracy and evaluation, not just demos • Strong Python and solid software-engineering fundamentals • Comfort operating self-hosted open-weight models and reasoning about latency, cost, and quality trade-offs

🏖️ Benefícios

• Typical office environment • Up to 20% travel time may be required