Analista de Machine Learning e Agentes de IA PL/Sr

Atuar de forma estratégica e analítica no ciclo de desenvolvimento, experimentação e validação de soluções de Machine Learning e Inteligência Artificial. O profissional será responsável por apoiar desde o entendimento aprofundado dos problemas de negócio até a entrega e homologação de modelos preditivos e fluxos agentes funcionais. Trabalhará com análise exploratória robusta, experimentação com modelos clássicos e Deep Learning, além do desenho, prototipação e teste de aplicações generativas (LLMs/SLMs, RAG e agentes independentes), colaborando estreitamente com tempos de produto, ciência de dados e engenharia de software.

Graduação completa ou em andamento em Ciência da Computação, Sistemas de Informação, Estatística, Matemática, Engenharia, Ciência de Dados ou áreas correlatas (experiência prática equivalente de mercado é valorizada).

•Traduzir desafios complexos de negócio em formulações analíticas claras, definindo análises de avaliação, linhas de base de comparação e critérios rigorosos de aceitação.

•Liderar a coleta, higienização, transformação e validação de qualidade de grandes bases de dados, garantindo boas práticas de particionamento (treino/validação/teste) e mitigação de vazamento de dados .

•Planejar e conduzir experimentos de ML supervisionados e não supervisionados, balanceando trade-offs entre complexidade, interpretabilidade, tempo de resposta e acurácia.

•Desenvolver, testar e refinar fluxos de IA generativa (RAG avançado, encadeamento de prompts e agentes orientados a tarefas com ferramentas/APIs integradas).

•Estabelecer baterias de testes para avaliação de qualidade de respostas de LLMs/SLMs, cobrindo alucinação, consistência factual, relevância de contexto, segurança/guardrails e consumo de tokens.

•Criar e documentar protótipos funcionais e serviços de inferência (APIs locais/leves) para validação de hipóteses com as partes interessadas.

•Acompanhar o comportamento das soluções em ambiente de uso, monitorando análises analíticas de desempenho, feedback de usuários e detecção de desvios ( desvio de dados/conceito ).

•Experiência anterior: Sólida vivência prática em desenvolvimento com Python voltada para análise de dados, simulação estatística/preditiva ou desenvolvimento de protótipos de IA.

•Ciclo analítico de ML: Experiência consistente em todo o fluxo experimental: engenharia de atributos ( feature Engineering ), treino, ajuste de hiperparâmetros, validação cruzada e análise detalhada de resíduos/erros.

•Pilha de dados e modelagem: Domínio de bibliotecas essenciais do ecossistema Python: pandas, NumPy, scikit-learne ferramentas de visualização de dados.

•Fundamentos conceituais: Sólida base em probabilidade, estatística, álgebra linear e domínios de análises analíticas (F1-score, ROC-AUC, PR-AUC, RMSE, MAE, matriz de confusão).

•IA Generativa e RAG: Conhecimento aprofundado em consumo e integração de LLMs via APIs (OpenAI, Anthropic, Bedrock, etc.), técnicas de geração e comparação de embeddings , busca vetorial/híbrida e montagem de pipelines de RAG.

•Orquestração de Agentes: Experiência com frameworks modernos de criação de agentes e fluxos de trabalho de IA (como LangChain, LangGraph, LlamaIndex ou CrewAI).

•APIs e Prototipação: Capacidade de criar e consumir interfaces REST simples (FastAPI ou Flask) para validação técnica e integração com outros serviços.

•Boas práticas de código: Domínio de Git para versionamento colaborativo, escrita de código modular/reutilizável, organização de notebooks e documentação técnica.

•Pensamento crítico e autonomia: Capacidade de priorizar hipóteses de modelagem, discutir técnicas com tempos de negócio e propor abordagens inovadoras com autonomia.

Diferenciais / Desejável:

• Otimização de Hardware e Aceleração por GPU: Noções de técnicas de quantização (ex.: bitsandbytes, AWQ, GGUF), uso eficiente de memória de vídeo (VRAM), balanceamento de tamanho de lote e paralelismo para execução ou inferência local/hospedada de modelos (SLMs/LLMs open-source ou Deep Learning com PyTorch).

•Deep Learning: Experiência prática com frameworks de aprendizado profundo ( PyTorchou TensorFlow/Keras) aplicados a PNL, séries temporais ou visão computacional.

•Avaliação automática de IA generativa: Vivência com frameworks e métricas de avaliação de RAG e agentes (ex.: Ragas, TruLens, DeepEval).

•Bancos de dados variados: Conhecimento no uso e indexação em soluções como Chroma, Qdrant, Pinecone, Milvus ou pgvector, além de consultas em SQL.

•Ambientes e contêineres: Conhecimento em Dockerpara empacotamento e reprodutibilidade de experimentos e protótipos.

•MLOps básico/rastreamento: Familiaridade com ferramentas de registro e rastreabilidade de experimentos (como MLflow, Weights & Biases ou DVC).

•Guardrails e segurança: Conhecimento de bibliotecas de guardrails (ex.: NeMo Guardrails, Guardrails AI) e estratégias de moderação e redução de custos operacionais.