Engenheiro(a) de Machine Learning Pleno (MLOps e Deploy de Modelos no Setor de Energia)

confidential; United States; Remote; USD 120,000 - 160,000; Full time

Benefits offered by this job

Ambiente colaborativo

Trabalhe de qualquer lugar

Conexão global

TotalPass e Mediquo

Team Care

Contrato CLT ou PJ

Job summary

A vaga é para Engenheiro(a) de Machine Learning Pleno com foco em MLOps e Deploy de Modelos no Setor de Energia. A posição trabalha 100% remoto, com contratação CLT ou PJ.

O(a) candidato(a) ideal terá experiência com pipelines de treino e validação orquestrados (Airflow), registro de experimentos (MLflow), empacotamento em Docker e publicação de serviços com versionamento. O desafio envolve manter fluxo estável desde dados até produção com rollback rápido.

Qualifications

• Requisitos: Python para dados e serviço com testes automatizados.
• Conhecimento de ML/DL para dados tabulares e séries temporais.
• Experiência com entrega autônoma de uma frente inteira, com decisões dentro dela.

Responsibilities

• Construir pipelines de treino e validação com Airflow.
• Registrar experimentos, parâmetros, métricas e artefatos com MLflow.
• Criar regras de promoção de modelo com comparação contra o atual.
• Empacotar modelos em Docker e publicar como serviço com versão.
• Preparar plano de rollback rápido para versão anterior e testá-lo.
• Tratar dados atrasados, duplicados e leituras faltantes.
• Monitorar erro de previsão e deriva de dados por faixa de consumo.
• Documentar o fluxo para operação por outra pessoa.

Skills

Python

Testes automatizados

Validação temporal

Entrega autônoma

Tools

Airflow

MLflow

Docker

Git

SQL

Scikit-learn

XGBoost

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Pleno (MLOps e Deploy de Modelos no Setor de Energia). 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 previsão de consumo de energia por unidade consumidora treina em notebook, gera um arquivo e alguém o copia para um servidor. Quando o resultado piora, ninguém sabe qual dado, qual código e qual parâmetro produziram o modelo em uso. Você vai transformar esse caminho num fluxo repetível, do dado ao serviço em produção.

O trabalho passa por registrar cada experimento e cada versão de modelo, treinar por orquestração agendada, validar contra o modelo atual antes de promover e publicar como serviço em contêiner. Dados de medição chegam atrasados e com falhas de leitura, e o fluxo precisa tratar isso sem derrubar a previsão do dia seguinte. A promoção de um modelo só acontece se ele vencer o atual em validação por período, e a volta à versão anterior deve levar minutos.

Mede-se o sucesso em tempo entre ideia e produção, em retreinos que rodam sem intervenção, em falhas de pipeline detectadas antes de afetarem a previsão e em erro de previsão acompanhado por faixa de consumo.

O que você vai fazer:

• Construir pipelines de treino e de validação orquestrados com Airflow
• Registrar experimento, parâmetro, métrica e artefato com MLflow
• Criar a regra de promoção de modelo com comparação contra o modelo em uso
• Empacotar o modelo em contêiner Docker e publicar como serviço com versão
• Preparar o plano de volta rápida para a versão anterior e testá-lo
• Tratar dado atrasado, duplicado e leitura faltante antes do treino
• Monitorar erro de previsão e deriva de dados por faixa de consumo
• Documentar o fluxo para que outra pessoa o opere sem depender de você

Requisitos:

• Python para dados e para serviço, com testes automatizados
• scikit-learn e XGBoost aplicados a dados tabulares e séries
• SQL para extrair e conferir bases de treino
• Docker no desenvolvimento e na entrega
• Compreensão de vazamento de dados e de validação temporal
• Entrega autônoma de uma frente inteira, com decisões dentro dela

Diferenciais:

• Orquestração de tarefas com dependência, repetição e alerta
• Armazenamento de atributos reutilizáveis entre modelos
• Dados de medição inteligente ou de telemetria
• Noção de custo de computação por treino

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em Minas Gerais. A mudança em pipeline passa por revisão de outra pessoa de engenharia, e todo modelo novo chega com registro do experimento que o originou. As entregas são pequenas e frequentes, e o erro de previsão é acompanhado em painel aberto para o time. 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
• Git
• Monitoramento de modelos

Seus dados:

tratados conforme a LGPD, com remoção a qualquer momento, a pedido.