Staff Machine Learning Engineer

Responsabilidades Principais: Atuar em parceria com pesquisadores de ML em equipes de IA generativa para identificar gargalos e melhorar a velocidade, escala e confiabilidade da iteração de pesquisa. Projetar, construir e manter infraestrutura de pesquisa reutilizável, fluxos de trabalho, modelos, interfaces e automação para experimentação, treinamento, avaliação, processamento de dados e empacotamento de modelos. Habilitar experimentos reprodutíveis por meio de ambientes consistentes, gerenciamento de dependências, versionamento de artefatos e modelos, configuração, observabilidade e práticas de CI/CD. Dar suporte a cargas de trabalho escaláveis de ML envolvendo grandes conjuntos de dados, clusters de GPU, computação distribuída e múltiplos modelos, serviços e componentes algorítmicos interconectados. Entregar recursos pragmáticos de apoio à pesquisa para necessidades imediatas, mantendo-os alinhados com a arquitetura e o roadmap (roteiro) da plataforma central de ML. Atuar como ponte técnica entre os pesquisadores e a equipe da plataforma de ML: traduzir os pontos de dor da pesquisa em requisitos claros de plataforma, validar novos recursos e ajudar as equipes de pesquisa a adotar a plataforma compartilhada. Colaborar na melhoria do caminho da pesquisa para o produto, tornando os resultados da pesquisa mais fáceis de reproduzir, integrar e testar. Contribuir para os padrões e a arquitetura compartilhados de engenharia de ML entre as equipes e promover práticas de engenharia por meio de colaboração prática, orientação técnica e compartilhamento de conhecimento. Avaliar e introduzir tecnologias que melhorem materialmente a velocidade, a confiabilidade, a escalabilidade e a eficiência de custos da pesquisa.

Habilidades Técnicas: Experiência comprovada na construção de infraestrutura reutilizável, ferramentas ou plataformas de desenvolvedor que habilitam múltiplos engenheiros ou pesquisadores, e não apenas um pipeline para um modelo ou recurso predefinido. Forte proficiência em Python e Linux, incluindo a escrita de software sustentável, automação e serviços. Experiência prática com Docker, Kubernetes, pipelines de CI/CD, ambientes em nuvem como AWS e Infraestrutura como Código (Infrastructure as Code), como Terraform. Compreensão prática do ciclo de vida de ML de ponta a ponta, incluindo preparação de dados, experimentação, treinamento, avaliação, gerenciamento de modelos e artefatos, empacotamento, implantação e monitoramento. Experiência em dar suporte a cargas de trabalho intensivas em computação ou distribuídas e em diagnosticar gargalos de confiabilidade, desempenho, recursos e custos. Conhecimento prático de frameworks modernos de ML, como PyTorch, e familiaridade suficiente com o comportamento e as restrições dos modelos para colaborar efetivamente com os pesquisadores. Esta não é uma função de cientista pesquisador. Habilidade para trabalhar com requisitos ambíguos e em evolução, descobrir a necessidade subjacente e transformá-la em capacidades de engenharia simples e reutilizáveis. Fortes habilidades de comunicação e colaboração entre equipes de pesquisa, engenharia e plataforma. Inglês avançado obrigatório - conversacional, escrita e leitura. Habilidades Comportamentais: Interesse por diversidade, inclusão e acessibilidade; Curiosidade; Colaboratividade; Estrutura e orientação para a ação; Confortável trabalhando em ambiguidade e em ambientes de estágio inicial; Foco no impacto — não apenas na produção (output). Desejável: Experiência na viabilização de pesquisas em domínios de ML, como modelagem de linguagem, tradução de idiomas, visão computacional, IA multimodal ou generativa, robótica e sistemas autônomos. Experiência no escalonamento de clusters de GPU para treinamento, computação distribuída e processamento de dados em larga escala. Experiência na construção de plataformas de ML voltadas para pesquisadores, ambientes de experimentação de autoatendimento e ferramentas usadas em muitos fluxos de trabalho de pesquisa em evolução. Experiência ajudando equipes de pesquisa a migrar ou adotar uma plataforma de ML compartilhada. Conhecimento de técnicas de otimização de inferência, como kernels de GPU personalizados. Isso é valioso, mas secundário à experiência de apoio à pesquisa e infraestrutura de ML.