Texto agregado para leitura rápida. Confira sempre a fonte original ao enviar a candidatura.
Com 70 anos de existência, o Einstein Hospital Israelita ainda mantém uma premissa: inovar e crescer, sempre com excelência. Ajudamos a salvar vidas, difundir o conhecimento em educação, prevenção e inovação em saúde. Além da atuação em setores assistenciais, temos oportunidades na área de Inovação, Tecnologia, Pesquisa, Ensino, entre outras. Seguimos oferecendo qualidade, afirmando nosso compromisso com a Responsabilidade Social e com o propósito de levar uma gota de Einstein para cada cidadão. Valorizamos a diversidade e inclusão de todos os talentos e buscamos profissionais que compartilhem deste mesmo propósito!
Sumário:
Buscamos um(a) profissional para atuar como MLOps/LLMOps para atuar na interseção entre engenharia de dados, machine learning tradicional e IA generativa. A pessoa será responsável por projetar, implementar e operar pipelines de ML end-to-end, garantindo que modelos e agentes de IA sejam implantados e monitorados em produção com alta confiabilidade, segurança e escalabilidade.
O papel envolve atuar tanto em MLOps, gerenciando o ciclo de vida de modelos treinados com dados proprietários, quanto em LLMOps, lidando com desafios específicos de LLMs, como versionamento de prompts, variabilidade de outputs, otimização de custos de inferência e monitoramento de alucinaçõe
Informações da vaga:
- Local de trabalho: Unid Centro de Ens e Pesquisa (AECE)
- Área: Planejamento Analytics
- Diretoria: Digital
- Modelo de trabalho: Híbrido
- Jornada de trabalho: 200h/mês
Responsabilidades:
MLOps (IA Tradicional)
- Projetar e manter pipelines CI/CD para treinamento, validacao e deploy de modelos de ML (MLflow,
- Kubeflow, Vertex AI Pipelines)
- Implementar IaC para ambientes de ML em cloud (GCP primario), incluindo GPU provisioning e
- autoscaling
- Construir e gerenciar feature stores, model registries e pipelines de dados para treinamento
- Monitoramento de modelos em producao: data drift, concept drift, performance degradation (Evidently,
- Whylogs, Prometheus, Grafana)
- Garantir reproducibilidade de experimentos com versionamento de dados (DVC, lakeFS) e modelos
LLMOps (IA Generativa & Agentic AI)
- Operar e otimizar serving de LLMs (vLLM, TGI, Triton) com foco em latencia, throughput e custo
- Desenvolver pipelines de RAG end-to-end: ingestao, chunking, embedding, vector stores (Pinecone,
- Weaviate, pgvector, Qdrant)
- Versionamento de prompts, avaliacao sistematica de saidas (evals) e A/B testing de configuracoes de LLM
- Gerenciar custo de inferencia: caching inteligente, routing entre modelos, otimizacao de tokens e batching
- Construir infraestrutura para agentes autonomos (AgentOps): orquestracao, observabilidade, guardrails e
- circuit breakers
- Guardrails de seguranca para LLMs: content filtering, PII detection, compliance LGPD/HIPAA
Transversal
- Governanca, seguranca (RBAC, auditoria) e compliance regulatorio em todo o ciclo de vida
- Colaborar com cientistas de dados, engenheiros de software e times de produto
- Documentar padroes, runbooks e boas praticas para escalar o conhecimento no time
Requisitos
Imprescindíveis:
- Graduação em Ciência da Computação, Engenharia, Matemática, Estatística ou áreas correlatas;
- Sólida experiência em MLOps, ML Engineering ou Data/Platform Engineering, com foco em ambientes de produção
- Solida experiência em implantação de modelos de ML em produção (não apenas em experimentação ou notebooks)
- Experiência em práticas com workloads de IA generativa (LLMs, RAG, fine-tuning ou agentes)
- Python avançado e proficiência em frameworks de ML (scikit-learn, PyTorch, TensorFlow, XGBoost)
- Containers e orquestração: Docker, Kubernetes (GKE/EKS), Helm
- Cloud: GCP (Vertex AI, Cloud Run, GKE, BigQuery, Artifact Registry) ou equivalente AWS/Azure
- IaC: Terraform, Pulumi ou CloudFormation
- CI/CD para ML: GitHub Actions, GitLab CI, ArgoCD
- Plataformas de ML: MLflow, Kubeflow, Vertex AI Pipelines ou Metaflow
- APIs de LLM e frameworks GenAI: OpenAI API, Anthropic API, LangChain, LlamaIndex
- Git avançado, versionamento de dados (DVC, lakeFS) e versionamento de modelos
- Observabilidade: Prometheus, Grafana, Evidently AI ou Whylogs
Desejáveis:
- Experiencia com fine-tuning de LLMs (LoRA, QLoRA, PEFT) e alinhamento (RLHF/DPO)
- Serving de modelos em GPU com otimizacao (quantizacao, batching dinamico, vLLM, TensorRT)
- Pipelines de RAG em producao: embeddings, reranking, vector databases em escala
- Evals e benchmarks sistematicos para LLMs (ragas, deepeval, promptfoo)
- Orquestracao de agentes de IA (LangGraph, CrewAI, AutoGen ou similares)
- Certificacoes cloud (GCP Professional ML Engineer, AWS ML Specialty, Azure AI Engineer)
Etapas do Processo Seletivo:
- Análise Curricular
- Entrevista com RH e Gestor
- Ressaltamos que todas as etapas são de caráter eliminatório.
Einstein Benefícios – Compartilhando Bem-Estar
- Cuidados com a saúde: Programa Cuidar com serviços realizados no Einstein para promover a saúde e bem-estar dos colaboradores e dependentes, Clínicas Einstein, Telemedicina, Convênio Farmácia, Convênio Médico, Assistência Odontológica e Consultório Dental in Company.
- Bem-Estar: Wellhub (Gympass), TotalPass, Coral, Programa de Orientação Pessoal e SESC.
- Para você e sua família: Licença paternidade estendida, Seguro de Vida, Creche ou Auxílio Creche para mães ou pais com guarda legal, Auxílio para Filhos com Deficiência e Previdência Privada com taxa zero.
- Alimentação: Vale Alimentação, Vale Refeição ou Refeitório no local de trabalho.
- Mobilidade: Vale Transporte, Fretado, Estacionamento, Aplicativo de Caronas e Circular Metrô.
- Clube de Benefícios: Para economizar e obter vantagens nas compras de produtos e serviços de diversas categorias, como Beleza e Fitness, Comer e Beber, Compras, Cultura e Lazer, Educação Ensino Einstein, Turismo e muito mais.
- Programa Mais Conectados: Trabalho remoto nas modalidades Teletrabalho ou Híbrido conforme atividade e área de atuação.
**Os benefícios podem sofrer alteração de acordo com a convenção coletiva, unidade de trabalho e políticas vigentes.