MLOps

Responsabilidades

• Implantação de algoritmos e sistemas de ML;
• Garantir a implementação, operação e otimização de pipelines de Machine Learning, desde o desenvolvimento até a produção, assegurando confiabilidade, escalabilidade e eficiência dos modelos.
• Desenho e implementação de solução E2E usando pipelines On-Premisses e Cloud;
• Colaborar com times de Data Science e Engenharia para operacionalizar soluções de ML.
• Estabelecer melhores práticas de MLOps, promovendo governança e eficiência.
• Monitorar e corrigir problemas em pipelines e modelos em produção.
• Trabalho colaborativo;
• Replicação do conhecimento para novos colaboradores e áreas internas.

Requisitos

Descrição perfil técnico:

Experiência com Pipelines de Machine Learning:

• Criação e manutenção de workflows automatizados.
• Familiaridade com ferramentas como Kubeflow, Airflow ou similares.

Versionamento de Dados e Modelos:

• Uso de ferramentas como MLflow, DVC ou outras tecnologias de versionamento.

Integração com Cloud:

• Experiência prática com soluções de AWS (SageMaker), Azure (Machine Learning), ou GCP (Vertex AI).

Monitoramento e Manutenção de Modelos:

• Conhecimento em técnicas de monitoramento de performance, drift de modelos e retreino

Habilidades em Desenvolvimento:

• Proeficiência em linguagens como Python e R.
• Experiência com frameworks de Machine Learning como TensorFlow, PyTorch, ou Scikit-learn

Diferenciais:

• Experiência em metodologias ágeis.
• Conhecimento de sistemas de CI/CD aplicados a ML.
• Habilidade de comunicação para atuar em equipes multidisciplinares.

Requisitos Mínimos:

Formação Acadêmica: Graduação em matemática, física, engenharia, ciência da computação, estatística, análise de sistemas. Mestrado/PhD em ciência de dados, machine learning, ciência da computação, estatística ou disciplina técnica relacionada.

Experiência: Sólida experiência prévia em função relacionada à inteligência baseada em dados, ciência de dados e/ou estatística. Experiência no trabalho com grandes volumes de dados, dados desestruturados e movimentação de dados

 

Conhecimentos Específicos:

• Engenharia de Software: Desenvolvimento de aplicações com requisitos produtivos de monitoração, alarmes, depuração, alta disponibilidade e integrados com projetos de machine learning;
• Estruturação de Projetos de Machine Learning: Substituição de uma atividade “humana” simples com modelos de Machine Learning, estabelecendo objetivos, métricas e com desempenho similar a um humano;
• Estruturação dos processos de coleta, limpeza dos dados, transformação e técnicas de otimização de modelos, viabilizando a construção de modelos de Machine Learning adequados ao tempo e recursos disponíveis;
• Supervised and Unsupervised Learning
• Reinforcement Learning. Hybrid Learning Problems
• Compreender e resolver problemas de Overfitting e Underfitting
• Algoritmos: Recomendação; Classificação: Regressão Linear, Regressão Logistica ; Clusterização: K-Means e Hierarquica ; Support Vector Machines ; Random Forest ; Redes Neurais e Deep Learning ; Ajustes de Hiperparâmetros, Regularização e Otimização ; Redes Neurais.
• Linguagens: Python, R, Scala, Java
• Frameworks / Bibliotecas: Pandas, Numpy, Scikit-learn, TensorFlow, Keras, Matplotlib, Seaborn.
• Características comportamentais: Interesse contínuo pela pesquisa e aquisição de novos conhecimentos, resiliência para ambientes não estruturados e preocupação com aplicabilidade das soluções e seus impactos no negócio.