Senior Staff AI/ ML Engineer

Seu Cardápio Diário

• Estratégia de MLOps & Serving: Definir a estratégia de MLOps para a organização. Projetar plataformas de serving que suportem múltiplos frameworks e paradigmas (batch, real-time, agentes). Estabelecer CI/CD para modelos ML como padrão organizacional, com governança formal (model cards, approval workflows, model registry).
• Engenharia de Agentes de IA: Definir a estratégia de agentes de IA para a organização. Projetar arquiteturas que escalem para múltiplos domínios, envolvendo orquestração, tool calling, memória, RAG, evals e guardrails. Projetar como agentes interagem com a camada semântica de dados do iFood.
• FinOps & Infraestrutura de ML: Liderar iniciativas de FinOps para ML: redução de custo computacional cross-equipe, migrações de infraestrutura (on-demand para spot, gerações de GPU), auto-scaling inteligente. Projetar plataforma que serve múltiplas equipes com diferentes necessidades.
• Responsible AI & Governança: Contribuir para definição de políticas de uso responsável de IA (bias, fairness, safety, PII protection). Garantir que model governance incorpore responsible AI. Implementar guardrails robustos contra alucinações, prompt injection e vazamento de dados.
• Mentoria & Liderança Técnica: Mentorar engenheiros e cientistas de dados em MLOps e GenAI. Escrever RFCs e ADRs que definam padrões técnicos para o domínio. Organizar e fortalecer a comunidade técnica (guildas, tech talks, padrões compartilhados). Elevar a barra técnica de múltiplas equipes.
• Saúde & Observabilidade: Liderar excelência técnica dos sistemas, criando planos para garantia de qualidade e mitigação de falhas. Monitorar regressões (drift, taxas de erro) e coordenar evoluções de sistemas para manter coesão da plataforma de ML.

Ingredientes que buscamos

• Estratégia de MLOps em escala: Experiência definindo estratégia de MLOps para múltiplas equipes — não só operando, mas projetando como a organização leva modelos a produção de forma segura e reprodutível
• Arquitetura de Agentes de IA: Experiência projetando agentes em produção que raciocinam, usam ferramentas e lidam com erros — incluindo padronização de guardrails, evals e observabilidade em nível organizacional
• FinOps para ML: Gestão de custo computacional como disciplina — GPU, spot instances, auto-scaling — com visão de otimização cross-equipe, não pontual
• Governança de Modelos: Model cards, registries, approval workflows e auditabilidade como prática, não como checklist
• Responsible AI: Experiência definindo ou aplicando políticas de fairness, bias e safety em modelos e agentes
• Mentoria técnica: Track record de multiplicação — mentoria de engenheiros, liderança de guildas, elevação de padrões técnicos em equipes que não são a sua