Machine Learning Engineer | Remoto

A nstech é a maior plataforma de tecnologia e softwares para logística e supply chain da América Latina. Ela conecta toda a cadeia de transporte — embarcadores, transportadoras, corretores e motoristas — em um único ecossistema digital para tornar as operações mais eficientes, seguras e econômicas. A nstech está estruturando sua área de IA para levar essa escala para dentro dos produtos e da operação: agentes e modelos que resolvem problemas reais de quem move carga, com valor medido. São quatro times — adoção de IA nas áreas de negócio, plataforma de agentes e modelos, IA nos produtos e pesquisa aplicada — num momento em que há muito a construir. Buscamos uma pessoa Machine Learning Engineer para o time de AI Capabilities, que constrói a plataforma de agentes e modelos da nstech. Seu foco é o caminho que leva um modelo do experimento à produção: treino reprodutível, registro, serving e monitoramento, para que todo modelo da companhia nasça rastreável e continue saudável depois de subir. Os modelos resolvem problemas de operação logística de verdade — risco em viagem, alerta no monitoramento de carga, frete, documento fiscal — sobre um volume de dado que poucas empresas têm. Quem treina são os cientistas de dados do time de IA nos produtos. Você dá a eles o ferramental e as features compartilhadas, e responde pela parte que decide se um modelo se sustenta fora do notebook: latência, custo de serving, drift e alerta. Feature calculada uma vez e usada do mesmo jeito em treino e em inferência. Modelo com versão, linhagem e registro de quem aprovou. Monitoramento que avisa antes de o cliente perceber. É esse o padrão que você estabelece. Por que esta vaga Você define o ciclo de vida de modelo da companhia, em vez de herdar um pronto Dado proprietário de toda a cadeia de transporte, com casos de uso de alto volume Parceria diária com cientistas de dados que têm modelos para levar a escala Time sênior e enxuto, com acesso direto à liderança da área

Construir e manter o ferramental de ML da plataforma: feature store, registro de modelos, treino reprodutível e rastreamento de experimentos Colocar modelos em produção com serving batch e online, com latência e custo declarados por caso de uso Implantar monitoramento de drift de dado e de degradação de performance, com alerta Definir o processo de promoção de modelo para produção — documentação, aprovação e linhagem —, de forma que qualquer decisão automatizada possa ser auditada Apoiar os cientistas de dados na passagem do experimento para produção, com padrões e exemplos Trabalhar com a Diretoria de Dados na integração com o lakehouse e os pipelines de dado Contribuir com as decisões de arquitetura da plataforma de IA

Experiência sólida em engenharia de machine learning, com modelos em produção sob sua responsabilidade Python e/ou Node em nível profissional, com prática de teste, revisão e CI/CD MLOps ponta a ponta: feature store, registro de modelos, serving e monitoramento Serving de modelo em batch e em tempo real, com otimização de latência e custo Monitoramento de modelo em produção: drift, degradação e resposta a incidente Trabalho com dado em larga escala (Spark ou equivalente) Uso crítico e cotidiano de ferramentas de IA no próprio trabalho Desejáveis Databricks em produção, incluindo MLflow e Feature Store Containers, orquestração (Kubernetes ou equivalente) e infraestrutura como código Orquestração de pipelines (Airflow, Dagster ou equivalente) Serving de LLMs e modelos abertos (vLLM, TGI ou equivalentes) Kafka ou outra arquitetura de eventos

Ambiente com exigência regulatória sobre decisão automatizada (LGPD, explicabilidade) Modelos de risco, fraude ou detecção de anomalia em produção Logística, transporte ou seguros Contribuição open source em ferramental de ML