Skip to content

Asaas

MLOps Engineer Sênior (ML em Tempo Real)

Remote (Brazil) · posted 2026-11-08 · listed from another job board

Source: Himalayas

Sign up to apply

Share this job

At a glance

Workplace
Remote
Location
Remote (Brazil)
Hiring in
BR (as named in the listing)
Region
Latam
Time zones
UTC−5 to UTC−3
Employment type
Full time
Skills
AWS, CI/CD, Kafka, ML, Python
Posted
2026-11-08

About the job

Se você tem paixão por inovação e busca trabalhar em um ambiente ágil, colaborativo e desafiador, esta pode ser a sua oportunidade!

Para compor nosso time de MLOps, buscamos uma pessoa para liderar a construção da nossaplataforma de ML em tempo real. Ela é a base para que modelos de machine learning, agentes de IA e aplicações tomem decisões em milissegundos, a partir de eventos que acabaram de acontecer em nossos produtos.

O desafio édesenhar e construir essa plataforma na AWSe entregá-la como serviço aos times de ciência de dados e de produto. Ela reúne feature store, registro de modelos, inferência em tempo real e monitoramento, para que esses times coloquem modelos em produção com autonomia.

Você vai fazer parte da estrutura de plataforma e trabalhar com os times de engenharia de software, de dados e de cloud, do desenho da arquitetura até a entrada em produção.

Se interessou pela oportunidade mas não reside em Joinville? Não tem problema, possibilitamos o trabalho remoto/home office.

  • Liderar o desenho da arquitetura da plataforma de ML em tempo real, avaliando alternativas e conduzindo as decisões técnicas com os times envolvidos;
  • Entregar a plataforma como serviço, com padrões, interfaces e documentação que permitam aos times de ciência de dados e de produto definir, publicar e consumir features e modelos sem depender do time de plataforma;
  • Construir e evoluir os componentes da plataforma: a feature store (online e offline, com metadados catalogados), o registro e versionamento de modelos, a inferência em tempo real e o monitoramento dos modelos em produção;
  • Garantir que as features usadas no treinamento e na inferência sejam as mesmas, com a mesma lógica em batch e em streaming, definindo os requisitos com os times de engenharia que constroem os fluxos de eventos;
  • Integrar a plataforma aos serviços de ML da AWS, com o Amazon SageMaker como base para o armazenamento de features, o registro de modelos e a inferência em tempo real;
  • Estruturar a operação da plataforma e dos modelos em produção com os times de Cloud e de Plataforma de Dados, usando infraestrutura como código, padrões e runbooks;
  • Garantir a latência, a disponibilidade e a escalabilidade da plataforma, com SLOs e observabilidade;
  • Documentar decisões técnicas, padrões e procedimentos operacionais, facilitando o crescimento do time e a evolução da stack.
  • Modelos em Tempo Real (Real-Time): Experiência em produção com modelos de machine learning em tempo real, com inferência acionada a cada evento e requisitos de baixa latência.
  • Arquitetura Self-Service:Vivência na entrega de plataforma como serviço, com padrões de arquitetura self-service, documentação e interfaces que deem autonomia aos times de ciência e produto.
  • Feature Store e Consistência de Dados:Experiência na construção de Feature Store (online e offline, com metadados catalogados) e garantia de consistência entre treinamento e inferência.
  • Registro e Monitoramento de Modelos:Prática na estruturação de registro e versionamento de modelos (Model Registry, ex.: MLflow) e monitoramento de modelos em produção.
  • Ecossistema AWS:Experiência na construção de plataformas de dados e ML na AWS, preferencialmente com Amazon SageMaker (Endpoints, Feature Store, Model Registry, Pipelines) ou serviços equivalentes.
  • Linguagens de Programação: Domínio avançado de Python e SQL para desenvolvimento de rotinas de dados e serviços de ML.
  • Engenharia de Software e IaC:Domínio de Terraform (IaC), automação de deploys via CI/CD e observabilidade em produção.

Informações adicionais

Diferenciais:

  • Produtos Financeiros e Negócio: Experiência com tomada de decisão em tempo real em produtos financeiros (como risco, crédito ou prevenção a fraudes).
  • Arquiteturas de Streaming: Entendimento da construção e consumo de fluxos de streaming (ex.: Kafka, Kinesis, CDC, AWS DMS, MSK) para dialogar com os times de engenharia.
  • Ecossistema Databricks: Vivência no ecossistema Databricks para apoiar e se comunicar com cientistas e analistas de dados.
  • Regulações do Setor Financeiro:Conhecimento das principais regulações do setor (como LGPD, normas do Banco Central/BACEN e SOX).

Modelo de trabalho:

  • Carga horária de 8h por dia (segunda a sexta-feira);
  • Contratação CLT.

Originally posted on Himalayas

More remote jobs at Asaas

All 9 remote jobs at Asaas

More jobs like this

Get matched to jobs like this

Free profile, one-click applications, and alerts for new roles.

Join free