Machine Learning Engineer Sr

Leega; Brasil; Remoto; BRL 180.000 - 360.000; Tempo pieno

Descrizione del lavoro

Leega é uma empresa que atua com soluções inovadoras para atendimento eficiente. Procuramos um profissional de ML engineering para projetar a engenharia de ML do motor de precificação, com foco em serving de inferência, treino distribuído e engenharia de features, trabalhando lado a lado com MLOps/Plataforma.

Você irá liderar a implementação de pipelines de modelos, monitorar desempenho, garantir baixa latência e colaborar com dados e operações para entregar modelos em produção com qualidade e

Competenze

• Experiência comprovada colocando modelos de ML em produção.
• Serving e otimização de inferência para baixa latência.
• Familiaridade com containers (Docker) e fluxos de MLOps.
• Conforto com desenvolvimento assistido por IA (Claude Code).

Mansioni

• Desenhar pipeline de modelos encadeados sobre Ray Serve.
• Construir pipelines de treino distribuído (Ray Train/Data) e HPO.
• Definir e materializar features no feature store (Feast/Redis).
• Implementar otimização (programação linear) e RL offline.
• Monitorar drift e produzir explicabilidade (SHAP).
• Liderança técnica e mentoria ao time.

Conoscenze

ML em produção

Inferência de modelos

Treino distribuído

Engenharia de features

Otimização RL offline

Monitoramento de modelo

Mentoria técnica

Strumenti

Ray Serve

Ray Train

Ray Tune

Feast

Redis

Docker

Descrizione del lavoro

A Leega é uma empresa focada no atendimento eficiente e inovador em seus clientes.

Isso não poderia ser diferente com o nosso principal combustível: as pessoas!

Nossa cultura é inspiradora e nossos valores estão presentes no dia a dia: ética e transparência, excelência de qualidade, trabalho em equipe, responsabilidade econômica, social e ambiental, relações humanas e credibilidade.

Buscamos profissionais inovadores que sejam movidos por desafios e focados em resultados.

Se você busca uma empresa dinâmica e parceira e que investe em seus colaboradores através de capacitação constante, a Leega é o lugar para você!

Responsabilidades e atribuições

Você é quem conecta o protótipo à produção. Vai desenhar e construir a engenharia de ML do motor de precificação — o serving de inferência, os pipelines de treino e a engenharia de features — para que modelos complexos rodem em tempo real, com baixa latência, sobre Ray. Foca na modelagem e no código de ML; a plataforma e o runtime ficam com o time de MLOps/Plataforma, com quem você trabalha lado a lado.

• Serving de inferência — desenhar o pipeline de modelos encadeados sobre Ray Serve — composição de modelos, baixa latência e estratégias de atualização.
• Treino distribuído — construir pipelines de treino (Ray Train/Data), HPO (Ray Tune) e modelos treinados por tenant, com checkpointing resiliente.
• Engenharia de features — definir e materializar features no feature store (Feast/Redis), garantindo consistência entre treino e produção.
• Otimização e RL — implementar e otimizar os componentes de otimização (programação linear) e de RL offline do pipeline de preço.
• Qualidade do modelo — monitorar drift do ponto de vista de modelagem, validar versões e produzir explicabilidade (SHAP) — em parceria com MLOps.
• Liderança técnica — atuar como referência, mentorar e definir, com o time, o que é viável e escalável.

Você faz o handoff com os cientistas de dados, recebe dados dos data engineers e entrega ao time de MLOps/Plataforma para deploy e operação.

Requisitos e qualificações

• Otimização: programação linear (Gurobi, HiGHS), RL offline

Essenciais

• Experiência comprovada colocando modelos de ML em produção.
• Serving e otimização de inferência para baixa latência.
• Familiaridade com containers (Docker) e com fluxos de MLOps (registry, deploy).
• Conforto com desenvolvimento assistido por IA (Claude Code).

Diferenciais

• Feature stores (Feast) e serving de baixa latência com Redis em escala.
• Otimização/solvers (Gurobi, HiGHS) ou revenue management em tempo real; RL offline.
• Serving de IA generativa (vLLM, LiteLLM) e arquiteturas multi-tenant.

Informações adicionais

• Trabalho Remoto
• Tempo de Projeto: 6 meses, com possibilidade de extensão/internalização.