Engenheiro de AI Sênior | Remoto

RESPONSABILIDADES Liderar a construção e evolução de sistemas de AI em produção, combinando pipelines de dados batch e streaming, serviços backend e deploy de modelos de machine learning e LLMs. Projetar e implementar pipelines robustos de ingestão, transformação e disponibilização de dados estruturados, semi-estruturados e não estruturados, com foco em aplicações de AI generativa, RAG e analytics avançado. Desenvolver serviços backend escaláveis para inferência em tempo real e batch, utilizando APIs REST/gRPC/GraphQL, garantindo versionamento, observabilidade e SLAs. Projetar arquiteturas distribuídas orientadas a eventos para aplicações inteligentes, utilizando ferramentas como Kafka, Pub/Sub, Kinesis ou SQS/SNS. Definir padrões e boas práticas para bancos relacionais, não relacionais e vetoriais, incluindo modelagem de embeddings, feature stores e estratégias de retrieval para RAG. Operar workloads de AI em cloud e Kubernetes, incluindo otimização de GPUs, autoscaling, scheduling e controle de custos. Implementar pipelines de MLOps e LLOps, incluindo CI/CD de modelos, monitoramento de drift, versionamento de datasets e experiment tracking. Garantir governança, qualidade, rastreabilidade e segurança dos dados e modelos em todas as etapas do ciclo de vida. Atuar no desenho e otimização da arquitetura de dados e AI, priorizando desempenho, confiabilidade, custo-benefício e segurança. Antecipar riscos técnicos em pipelines, inferência e infraestrutura, propondo soluções escaláveis e resilientes. Apoiar a construção de plataformas internas de dados e AI (data platform / AI platform), promovendo padronização e reutilização de componentes. Colaborar com squads multifuncionais de produto, engenharia e ciência de dados, liderando decisões técnicas estratégicas. Mentorar engenheiros plenos e juniores, disseminando boas práticas de engenharia de software, dados e AI. Contribuir ativamente para a estratégia de AI corporativa, alinhando tecnologia aos objetivos de negócio e à evolução dos produtos. REQUISITOS OBRIGATÓRIOS Mínimo de 5 anos de experiência em Engenharia de Dados, Backend, ML Engineering ou AI Engineering. Experiência sólida no desenvolvimento de pipelines batch e streaming em produção. Experiência comprovada no deploy e operação de modelos de ML ou LLMs em produção. Experiência em arquitetura distribuída e event-driven. Domínio de Python, SQL e desenvolvimento de APIs. Experiência com containers e Kubernetes. Experiência em cloud (AWS, GCP ou Azure) e boas práticas de governança de dados. Experiência em observabilidade de sistemas (logs estruturados, métricas, tracing). Experiência em otimização de performance de pipelines e serviços. Forte capacidade de comunicação técnica com stakeholders técnicos e não técnicos. REQUISITOS DESEJÁVEIS Experiência com frameworks de LLMs e RAG (LangChain, LlamaIndex, etc.). Experiência com Ray, Spark, Flint, Beam ou sistemas distribuídos de processamento. Experiência com plataformas de experiment tracking e MLOps (ClearML, MLflow, Vertex AI, SageMaker). Conhecimento avançado em infraestrutura como código (Terraform, Helm, CDK). Experiência com deploy de aplicações escaláveis em Kubernetes. Experiência com bancos vetoriais e sistemas de busca semântica. Experiência com workloads de GPU e otimização de custo em cloud. Histórico de liderança técnica em projetos complexos ou plataformas internas. SOFT SKILLS ESSENCIAIS Comunicação clara e eficaz em todos os níveis da organização. Capacidade de liderar discussões técnicas complexas e decisões arquiteturais. Habilidade de mentoria e desenvolvimento técnico do time. Visão sistêmica para avaliar riscos, trade-offs e oportunidades. Autonomia e iniciativa na resolução de problemas complexos. Mentalidade de dono de plataforma, com foco em confiabilidade, custo e experiência do desenvolvedor. PROJETOS / REALIZAÇÕES VALORIZADAS Implementação de sistemas de AI em produção com alto impacto de negócio. Construção de pipelines streaming ou plataformas internas de dados/AI. Deploy de sistemas RAG com dados corporativos. Otimização comprovada de custo de infraestrutura ou uso de GPUs. Criação de arquiteturas distribuídas escaláveis e resilientes. Definição de padrões organizacionais de engenharia de dados ou AI.