Lead Mlops Engineer

A Randstad Digital encontra-se a recrutar um(a) Lead MLOps Engineer para integrar uma startup informática que desenvolve soluções de IA/ ML para a área aeroespacial.
Regime de Trabalho: 100% remoto
A Randstad tem a missão de se tornar a empresa mais equitativa e especializada de talentos a nível mundial e, por isso, reiteramos que damos as boas-vindas a pessoas com as mais diversas capacidades e experiências. Assumimos o compromisso de garantir que o nosso processo de recrutamento e contratação satisfaça as necessidades de todas as pessoas.
Preocupamo-nos com a igualdade de oportunidades, independentemente de etnia, cor, religião, sexo, orientação sexual, identidade de género, nacionalidade, idade, informações genéticas, incapacidade ou qualquer outro estatuto de grupo protegido por lei.
responsabilidades chave
Liderar o design e a evolução da arquitetura, ferramentas e modelo operacional de MLOps.
Perfil "hands-on" no desenvolvimento de infraestrutura, pipelines de implementação, automação e sistemas de produção.
Projetar, construir e manter a infraestrutura necessária para desenvolver, implementar e operar modelos de aprendizagem automática em produção.
Desenvolver e melhorar pipelines de CI/CD para cargas de trabalho de IA e aprendizagem automática.
Estabelecer processos robustos para implementação, versionamento, validação, promoção e rollback de modelos.
Implementar a observabilidade de modelos, dados e pipelines, incluindo a monitorização de degradação de desempenho, desvio de dados (data drift) e anomalias operacionais.
Garantir a reprodutibilidade nos ambientes de treino, validação e produção.
Construir e manter ferramentas para registos de modelos (model registries), gestão de artefactos e rastreio de experiências.
Trabalhar em estreita colaboração com programadores de IA/ML para melhorar a transição de modelos protótipo para serviços com qualidade de produção.
Integrar capacidades de aprendizagem automática na plataforma mais ampla de software e dados da empresa.
Suportar o processamento escalável de conjuntos de dados grandes e heterogéneos provenientes de múltiplas fontes operacionais.
Melhorar a automação da infraestrutura e reduzir o trabalho operacional manual.
Suportar a implementação em cloud, cloud privada, infraestrutura local (on-premises) e ambientes seguros ou restritos, quando necessário.
Contribuir para a fiabilidade, disponibilidade, segurança e desempenho da plataforma.
Estabelecer logging, métricas, alertas e rastreamento (tracing) adequados para serviços capacitados por ML.
Definir padrões técnicos, padrões de arquitetura (patterns) e boas práticas para IA em produção e MLOps.
Contribuir para decisões de arquitetura relativas a infraestrutura de IA, pipelines de dados e padrões de implementação.
Ajudar a garantir que os sistemas capacitados por IA cumprem os requisitos operacionais de rastreabilidade, escalabilidade e fiabilidade.
Apoiar a investigação de incidentes, análise de causa-raiz e melhoria contínua dos sistemas de ML em produção.
Contribuir para a gestão e suporte da equipa de MLOps e ajudar a fortalecer essa capacidade em toda a organização de engenharia.
Apoiar o recrutamento, onboarding e desenvolvimento de engenheiros de MLOps adicionais.
Ajudar a definir a estrutura futura, responsabilidades e modelo operacional da equipa de MLOps.
competências
Licenciatura em Engenharia Informática, Ciências da Computação ou área similar;
+5 anos de experiência em funções semelhantes, com foco emengenharia de software, DevOps, engenharia de plataforma ou MLOps.
Experiência demonstrada na implementação e operação de modelos de machine learning, em ambientes de produção.
Fortes competências de programação, de preferência em Python e em uma ou mais linguagens de programação modernas adicionais.
Sólida compreensão dos princípios de engenharia de software, APIs, sistemas distribuídos e ambientes de produção.
Experiência no design e manutenção de pipelines de CI/CD e infraestrutura como código (infrastructure-as-code).
Experiência com tecnologias de contentorização e orquestração, como Docker e Kubernetes.
Experiência com plataformas em cloud (AWS) e arquiteturas cloud-native.
Experiência na gestão do ciclo de vida de modelos, rastreio de experiências e versionamento de modelos.
Experiência com observabilidade, monitorização, logging e alertas para sistemas de produção.
Sólida compreensão de pipelines de dados, feature pipelines e fluxos de trabalho de treino de modelos.
Familiaridade com frameworks de ML e com os desafios operacionais associados à sua implementação.
Boa compreensão de segurança, controlo de acessos e considerações sobre a cadeia de abastecimento de software.
Capacidade de resolver problemas complexos em sistemas de produção distribuídos.
Capacidade de definir padrões técnicos e promover a sua adoção n