Somos aliados do médico durante toda a sua jornada e buscamos por pessoas que se identifiquem com nosso propósito, valores e cultura para se juntarem ao nosso time. Vamos juntos transformar a saúde com quem tem a medicina como vocação!
Esta é uma vaga aberta na frente de Dados para trabalhar de forma remota.
Ao assumir o cargo de Engenheiro (a) de Marchine Learning Sr na Afya, seu objetivo principal será sustentar o ciclo de vida de ML clássico, dar suporte de plataforma à Ciência de Dados em GenAI, e garantir que tudo isso rode com governança e escalabilidade.
Você atuará na área de Dados dentro da diretoria de Tecnologia e fará parte de uma equipe multidisciplinar, relacionando-se no dia a dia com pessoas de times como Cientista de Dados, Engenharia de dados e SRE.
♿ Todas as nossas oportunidades são abertas a pessoas com deficiência (PcD) e reabilitadas do INSS.
Responsibilities
💻🩺 COMO VOCÊ VAI TRANSFORMAR A SAÚDE NO DIA A DIA:
- Sustentar o ciclo de vida completo dos modelos — feature engineering, treino, validação, registro e deploy.
- Monitorar modelos em produção e conduzir retreinamento quando houver degradação de performance ou drift.
- Manter e evoluir as esteiras de CI/CD que promovem modelos e pipelines entre ambientes (dev, hml, prod).
- Automatizar e produtizar pipelines de avaliação (evals) de modelos e agentes, em apoio direto à Ciência de Dados. Construir e manter pacotes internos de métricas reutilizáveis, para experimentos avaliados de forma padronizada. Operar a infraestrutura de fine-tuning de modelos de linguagem. Administrar o AI Gateway — roteamento de modelos, rate limits, controle e atribuição de custo.
- Garantir a governança de features, experimentos e modelos, sempre alinhada às políticas da Afya.
- Atuar como ponte técnica entre Ciência de Dados, Engenharia de IA, Engenharia de Dados e SRE.
- Aplicar práticas de escalabilidade, segurança e custo na infraestrutura de ML/IA sob sua responsabilidade.
Requirements
🔎 O QUE BUSCAMOS (mas não esperamos que uma única pessoa atenda a todos os requisitos):
- Databricks como plataforma principal, em nível de referência técnica: Model Serving, Unity Catalog e Asset Bundles, com MLflow para registro, versionamento e avaliação de modelos. Experiência equivalente em SageMaker, Vertex AI ou Azure ML conta, com disposição para se aprofundar em Databricks.
- Python, SQL e Apache Spark / PySpark em nível avançado, aplicados a pipelines de Machine Learning em produção (scikit-learn, XGBoost).
- CI/CD e infraestrutura como código para promover modelos e pipelines entre desenvolvimento, homologação e produção: GitHub Actions, Terraform (ou IaC equivalente), cloud (Azure, AWS ou GCP) e gestão de segredos.
- Operação de modelo em produção: promoção e rollback de versão (troca de alias e verificação pós-deploy), monitoramento de performance, custo e drift, e resposta a incidentes de endpoint — indisponibilidade, latência e queda de qualidade.
- Leitura estatística de resultados de avaliação para decidir promoção ou reversão de versão, com governança dos experimentos, das versões de modelo e dos dados de inferência. Aqui essa decisão afeta produtos usados por milhares de médicos todo dia.
- LLMOps na perspectiva de plataforma: exposição a pelo menos uma destas frentes — AI Gateway (roteamento multi-provedor e atribuição de custo), automação de pipelines de avaliação (evals) e pacotes internos de métricas reutilizáveis, ou infraestrutura de fine-tuning de LLMs.
- Liderança técnica sênior, sem gestão de pessoas: definir a arquitetura da plataforma de ML, negociar contratos técnicos com Ciência de Dados, Engenharia de IA, Engenharia de Dados e SRE, e mentorar engenheiros plenos.
- Ensino superior ou graduação tecnológica completa em Ciência da Computação, Análise e Desenvolvimento de Sistemas, Engenharia (Computação, Software ou Elétrica), Sistemas de Informação, Estatística, Matemática ou áreas correlatas.
- Inglês técnico avançado para leitura de documentação, release notes e papers.
- Experiência consolidade em Engenharia de Machine Learning / MLOps, com experiência comprovada sustentando modelos em produção: treino automatizado, validação, promoção, deploy, monitoramento e retreino.
