Objectivos da função

 O Engenheiro será responsável por conceber, construir, implementar e manter modelos de aprendizagem automática escaláveis e soluções orientadas a dados que resolvem problemas de negócio reais. Esta função faz a ponte entre a ciência de dados e a engenharia de software, garantindo que os modelos de aprendizagem automática estão prontos para produção, são fiáveis e têm um elevado desempenho.

 Responsabilidades:

• Identificar oportunidades de automatização e otimização de processos em vários departamentos e funções;
• Conceber, desenvolver e implementar soluções automatizadas utilizando ferramentas e tecnologias adequadas;
• Colaborar com equipas multifuncionais para recolher requisitos e definir objectivos de automatização;
• Realizar estudos de viabilidade e analisar a relação custo-benefício das iniciativas de automatização;
• Realizar testes e depuração de processos automatizados para garantir a precisão e a fiabilidade;
• Monitorizar e manter soluções automatizadas, incluindo a decteção e resolução de problemas;
• Tomar decisões sobre as abordagens de automatização mais eficazes para diferentes processos;
• Recomendar melhorias e otimizações de processos com base nos resultados da automatização;
• Aplicar os princípios da IA responsável, incluindo equidade, explicabilidade e transparência.

Desenvolvimento e Implementação de Modelos

• Conceber, desenvolver, treinar e avaliar modelos de aprendizagem automática para casos de utilização de previsão, classificação, recomendação ou otimização;
• Transformar protótipos de ciência de dados em pipelines de aprendizagem automática prontos para produção;
• Implementar modelos utilizando APIs, tarefas em lote ou arquiteturas de streaming;
• Monitorizar o desempenho dos modelos, a deriva dos dados e os requisitos de retreinamento em produção.

 Engenharia de Dados e Características

• Colaborar com os engenheiros de dados na criação e otimização de pipelines de dados para o treino de modelos, inferência e outras tarefas relacionadas com dados;
• Realizar engenharia e selecção de características para melhorar a precisão e o desempenho dos modelos.

 Governança, Segurança e Ética

• Garantir que os modelos cumprem os requisitos em matéria de privacidade de dados, segurança e regulamentação.

Engenharia de Software e MLOps

• Escrever código limpo, fácil de manter e bem testado, utilizando as melhores práticas de engenharia de software;
• Implementar pipelines de CI/CD para fluxos de trabalho de aprendizagem automática;
• Utilizar ferramentas de contentorização e orquestração (por exemplo, Docker, Kubernetes) para implementações escaláveis;
• Aplicar práticas de MLOps, incluindo controlo de versões, acompanhamento de experiências e gestão do ciclo de vida dos modelos.

 Colaboração e Envolvimento das Partes Interessadas

• Colaboração e Envolvimento das Partes Interessadas;
• Trabalhar em estreita colaboração com cientistas de dados para implementar modelos;
• Estabelecer parcerias com as equipas de produto e de negócios para compreender os requisitos e as métricas de sucesso;
• Comunicar o comportamento, as limitações e os resultados dos modelos às partes interessadas sem conhecimentos técnicos.

• Licenciatura ou mestrado em ciência da computação, engenharia, ciência de dados, matemática ou área relacionada;
• Mais de 3 anos de experiência em aprendizagem automática, engenharia de software ou ciência de dados aplicada (dependendo do nível).

Competências técnicas necessárias:

• Sólidas competências de programação em Python (obrigatório); familiaridade com Java, Scala ou C++ é uma vantagem;
• Experiência prática com frameworks de aprendizagem automática como TensorFlow, PyTorch, scikit-learn e XGBoost;
• Sólidos conhecimentos de aprendizagem supervisionada e não supervisionada, avaliação de modelos e técnicas de otimização;
• Experiência com ferramentas e frameworks de processamento de dados (ex.: Pandas, NumPy, Spark);
• Conhecimento de APIs REST e arquitetura de micro-serviços.

MLOps e Cloud

• Experiência na implementação de modelos de aprendizagem automática em ambientes de produção;
• Familiaridade com plataformas na nuvem (AWS, Azure ou GCP) e serviços de aprendizagem automática geridos;
• Experiência com ferramentas de CI/CD e sistemas de controlo de versões (Git).