Engenheiro(a) de Machine Learning Pleno (MLOps e Deploy de Modelos na Educação)

confidential; United States; Remote; USD 16,000 - 31,000; Full time

Job summary

Sylision está com vaga remota para Engenheiro(a) de Machine Learning Pleno (MLOps e Deploy de Modelos na Educação). O contratado trabalhará em um fluxo de produção, com orquestração com Airflow, registro no MLflow e publicação com liberação gradual, visando qualidade e segurança de promoção de versões.

O papel envolve transformar notebooks em pacotes testáveis, treinar e monitorar versões, com validação de algoritmos em produção.

Qualifications

• Python para produção, com testes e estrutura de pacote.
• Modelos tabulares com scikit-learn e XGBoost, validação temporal e métricas de classificação.
• MLflow ou ferramenta equivalente de registro de experimentos e modelos.
• Airflow ou outro orquestrador de fluxos.
• Docker e noções de pipeline de integração contínua.
• SQL para montar e conferir as características.

Responsibilities

• Organizar o código do notebook em pacote testável com rotinas de características e de treino
• Orquestrar a extração, o treino e a validação semanais com Airflow
• Registrar parâmetros, métricas e artefatos de cada versão no MLflow
• Escrever testes de qualidade dos dados de entrada e de comportamento do modelo
• Publicar em contêiner com liberação gradual e comparação entre versões
• Definir o critério de promoção e o caminho retorno à versão anterior
• Documentar o fluxo para que outra pessoa consiga operá-lo e consertá-lo

Tools

Python

scikit-learn

XGBoost

MLflow

SQL

Docker

Airflow

CI/CD

Git

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Pleno (MLOps e Deploy de Modelos na Educação). A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision.

Nível: pleno.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

Um modelo de risco de evasão classifica alunos de cursos a distância toda semana e alimenta a equipe que faz contato de retenção. Hoje ele roda a partir de um notebook de uma pessoa: o treino é manual, a versão em uso não está registrada e ninguém sabe dizer quando foi a última atualização. Quando as notas do semestre mudam de formato, o modelo continua dando resultado, só que errado.

Você vai levar esse modelo para um fluxo de produção. Isso envolve orquestrar com Airflow a montagem das características semanais, treinar e registrar cada versão no MLflow, validar contra a versão em uso antes de qualquer troca, empacotar em contêiner e publicar com liberação gradual, para que uma parte dos alunos use o modelo novo e o resultado seja comparado antes da virada total.

O ponto difícil é a segurança da troca. Uma versão pior que escapa para produção gasta o tempo da equipe de retenção com a lista errada. Por isso você escreve testes de dados e de modelo, define o que impede a promoção automática e monta o caminho de volta. Medem-se o tempo entre treino e publicação, a proporção de execuções sem intervenção, falhas de dados capturadas antes do modelo e o desempenho da lista na prática.

O que você vai fazer:

• Organizar o código do notebook em pacote testável com rotinas de características e de treino
• Orquestrar a extração, o treino e a validação semanais com Airflow
• Registrar parâmetros, métricas e artefatos de cada versão no MLflow
• Escrever testes de qualidade dos dados de entrada e de comportamento do modelo
• Publicar em contêiner com liberação gradual e comparação entre versões
• Definir o critério de promoção e o caminho de retorno à versão anterior
• Documentar o fluxo para que outra pessoa consiga operá-lo e consertá-lo

Requisitos:

• Python para produção, com testes e estrutura de pacote
• Modelos tabulares com scikit-learn e XGBoost, validação temporal e métricas de classificação
• MLflow ou ferramenta equivalente de registro de experimentos e modelos
• Airflow ou outro orquestrador de fluxos
• Docker e noções de pipeline de integração contínua
• SQL para montar e conferir as características

Diferenciais:

• Prática com liberação gradual e testes A/B de modelos
• Monitoramento de deriva de dados e de desempenho
• Conhecimento de dados acadêmicos, como notas, frequência e acesso à plataforma
• Experiência com armazém de dados em nuvem

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em Minas Gerais. Cada mudança no pipeline passa por revisão e por teste automatizado antes da publicação, e a documentação do fluxo fica junto do código. Os números de desempenho do modelo são acompanhados com a equipe de retenção a cada quinzena. Na candidatura, informe a sua pretensão salarial.

Benefícios oferecidos pela empresa contratante:

• Ambiente colaborativo, com senso de comunidade e conquistas celebradas em equipe
• Trabalhe de qualquer lugar, com liberdade e flexibilidade
• Conexão global: convivência com times de diferentes países e culturas
• Apoio à saúde física com TotalPass e Mediquo
• Cuidado com a saúde mental pelo programa Team Care
• Contratação e jornada definidas com a empresa contratante

Tecnologias envolvidas:

• Python
• scikit-learn
• XGBoost
• MLflow
• SQL
• Docker
• Airflow
• CI/CD
• Git