[Job-29881] Senior Machine Learning I MLOps Engineer, Brazil

Buscamos pessoas apaixonadas por transformar dados em soluções inteligentes que geram impacto real no negócio, atuando como Machine Learning I MLOps Engineer. Será responsável por levar modelos de Machine Learning treinados pelos times de Data Science para produção de forma confiável, escalável e monitorada, dentro do ecossistema AWS.  

Responsabilidades:
- Receber modelos treinados e realizar o deploy em produção (batch e/ou real-time);
- Construir e manter pipelines de CI/CD para ML (treino → validação → deploy);
- Gerenciar Feature Store (criação, versionamento e disponibilização de features para treino e inferência);
- Monitorar desempenho dos modelos em produção (drift de dados, drift de modelo, latência, throughput);
- Gerenciar versionamento de modelos e experimentos (model registry);
- Garantir observabilidade, logging e alertas dos serviços de ML;
- Otimizar custos de infraestrutura de ML na AWS (FINOPS);
- Colaborar com Data Scientists, Engenheiros de Dados e times de Infra/DevOps.

Requisitos para este desafio:
- Amazon SageMaker e Cloud AWS (S3, IAM, VPC, CloudWatch, etc);
- Experiência com deploy de modelos (real-time endpoints, batch transform, serverless inference, multi-model endpoints);
- AWS Lambda, Step Functions (orquestração de pipelines);
- Infraestrutura como código (Terraform ou CloudFormation/CDK);
- Python avançado (scripts de treino, inferência, APIs);
- CI/CD (CodePipeline, GitHub Actions, GitLab CI ou Jenkins);
- SQL e manipulação de grandes volumes de dados;
- Conhecimento de pipelines de dados;
- Métricas de performance de modelo (acurácia, drift, latência);
- Ferramentas de observabilidade e monitoramento (CloudWatch, Model Monitor).

Diferencial:
- Conhecimento em Modelos de Visão Computacional (Resnet, dentre outros);
- Certificação AWS (Machine Learning Specialty ou Solutions Architect);
- Experiencia prática com os principais módulos do SageMaker (Studio, Pipelines, Endpoints, Model Registry, Feature Store, Model Monitor);
- Experiência com Kubernetes/EKS para workloads de ML;
- Conhecimento de Data Science o suficiente para dialogar bem com o time (não precisa modelar, mas precisa entender o que recebe);
- Experiência em ambientes regulados (dados sensíveis, LGPD);
- Implementar estratégias de deploy seguro (blue/green, canary, shadow deployment);
- Experiencia com observability usando DataDog ou Grafana;
- Construção de agentes (multi-step, tool usage, planning + execution);
- Integração via MCP (Model Context Protocol) ou equivalente;
- Experiencia com metodologias relacionadas a AI-First (SDD, AI-DLC, etc.).

#LI-CB4