Analista de Machine Learning e Agentes de IA Pleno

Sobre a vaga

Procuramos alguém no início da carreira em dados e IA, com vontade de aprender rápido e de encarar problemas reais. Você vai entrar no time de Ciência de Dados e IA e trabalhar junto com profissionais mais experientes em projetos de Machine Learning e IA Generativa: análise de dados, experimentos com modelos, assistentes com LLMs, RAG e agentes. Aqui você aprende fazendo, e há espaço real para crescer até Pleno.

O que você vai fazer

Apoiar o entendimento de problemas de negócio e transformá-los em perguntas que dá para responder com dados;

Coletar, limpar e preparar bases de dados para análise e modelagem;

Rodar experimentos com modelos de Machine Learning e comparar resultados usando métricas adequadas;

Construir e testar protótipos com LLMs (APIs da OpenAI, Anthropic etc.), RAG e agentes simples;

Ajudar a testar a qualidade das respostas dos modelos (erros, alucinações, consistência);

Documentar o que foi feito e apresentar resultados para o time;

O que esperamos de você (obrigatório)

Cursando os últimos semestres (ou formado recentemente) em Ciência da Computação, Sistemas de Informação, Engenharia, Estatística, Matemática, Ciência de Dados ou áreas afins;

Python para manipulação e análise de dados (pandas, NumPy);

Noções de Machine Learning com scikit-learn: treino, validação e métricas básicas (acurácia, precisão, recall, F1, matriz de confusão);

Base de estatística e probabilidade;

Git no dia a dia;

Perfil que buscamos;

Curiosidade e vontade genuína de aprender, principalmente sobre IA Generativa;

Gosta de desafio e não desiste fácil quando o problema é difícil;

Proatividade: pesquisa, testa e traz propostas;

Comunicação clara para explicar o que fez e o que descobriu;

Diferenciais (não é obrigatório, mas conta pontos);

Projetos pessoais, acadêmicos ou de iniciação científica com ML ou LLMs (GitHub, Kaggle, TCC);

Contato com LangChain, LangGraph, LlamaIndex ou CrewAI;

Já ter criado uma API simples com FastAPI ou Flask;

Noções de embeddings e bancos vetoriais (Chroma, Qdrant, pgvector);

SQL básico;

Contato com Docker;

Noções de Deep Learning (PyTorch ou TensorFlow).