Machine Learning Engineer Sr

A Leega é uma empresa focada no atendimento eficiente e inovador em seus clientes. Isso não poderia ser diferente com o nosso principal combustível: as pessoas! Nossa cultura é inspiradora e nossos valores estão presentes no dia a dia: ética e transparência, excelência de qualidade, trabalho em equipe, responsabilidade econômica, social e ambiental, relações humanas e credibilidade. Buscamos profissionais inovadores que sejam movidos por desafios e focados em resultados. Se você busca uma empresa dinâmica e parceira e que investe em seus colaboradores através de capacitação constante, a Leega é o lugar para você! >> A LEEGA É PARA TODOS, ficaremos muito felizes em ter você em nosso time. Venha fazer parte da nossa história e da construção do nosso futuro. Cadastre-se agora mesmo em nossas vagas! Sobre a oportunidade Você é quem conecta o protótipo à produção. Vai desenhar e construir a engenharia de ML do motor de precificação — o serving de inferência, os pipelines de treino e a engenharia de features — para que modelos complexos rodem em tempo real, com baixa latência, sobre Ray. Foca na modelagem e no código de ML; a plataforma e o runtime ficam com o time de MLOps/Plataforma, com quem você trabalha lado a lado. Seus Desafios - Serving de inferência —desenhar o pipeline de modelos encadeados sobre Ray Serve — composição de modelos, baixa latência e estratégias de atualização. - Treino distribuído —construir pipelines de treino (Ray Train/Data), HPO (Ray Tune) e modelos treinados por tenant, com checkpointing resiliente. - Engenharia de features —definir e materializar features no feature store (Feast/Redis), garantindo consistência entre treino e produção. - Otimização e RL —implementar e otimizar os componentes de otimização (programação linear) e de RL offline do pipeline de preço. - Qualidade do modelo —monitorar drift do ponto de vista de modelagem, validar versões e produzir explicabilidade (SHAP) — em parceria com MLOps. - Liderança técnica —atuar como referência, mentorar e definir, com o time, o que é viável e escalável. Você faz o handoff com os cientistas de dados, recebe dados dos data engineers e entrega ao time de MLOps/Plataforma para deploy e operação. Stack & Ferramentas - ML serving & treino:Ray (Serve, Train, Tune, Data, RLlib) - Registry & features:MLflow, Feast + Redis - Otimização:programação linear (Gurobi, HiGHS), RL offline - Linguagem & runtime:Python; Docker; leitura de Iceberg O que Buscamos Essenciais - Experiência comprovada colocando modelos de ML em produção. - Python e fundamentos sólidos de Engenharia de Software (APIs, testes, código limpo). - Serving e otimização de inferência para baixa latência. - Familiaridade com containers (Docker) e com fluxos de MLOps (registry, deploy). - Conforto com desenvolvimento assistido por IA (Claude Code). Diferenciais - Ecossistema Ray (Serve, Train, Tune, RLlib) — forte diferencial. - Feature stores (Feast) e serving de baixa latência com Redis em escala. - Otimização/solvers (Gurobi, HiGHS) ou revenue management em tempo real; RL offline. - Serving de IA generativa (vLLM, LiteLLM) e arquiteturas multi-tenant. Informações adicionais - Trabalho Remoto - Tempo de Projeto:6 meses, com possibilidade de extensão/internalização. Originally posted on Himalayas