MLOps Engineer Sênior (ML em Tempo Real)

Asaas · posted Nov 6, 2026

Open to candidates in Brazil

Senior

Sign up and we score this job against your resume. You never pay to apply.

RemoteHunt reads employers' own pages. Free to browse. How we check

What this job asks for

Extracted by RemoteHunt

Must have

  • •Real-time ML models in production
  • •Self-service platform architecture
  • •Feature Store and data consistency
  • •Model Registry and monitoring
  • •AWS ecosystem (SageMaker)
  • •Python and SQL
  • •Terraform, CI/CD, observability

Nice to have

  • •Real-time decision making in financial products
  • •Streaming architectures
  • •Databricks ecosystem
  • •Financial sector regulations

Tools and technologies

AWS, Amazon SageMaker, Python, SQL, Terraform, CI/CD, Kafka, Kinesis, CDC, AWS DMS, MSK, Databricks, MLflow

Languages required

pt

Read the full posting

Se você tem paixão por inovação e busca trabalhar em um ambiente ágil, colaborativo e desafiador, esta pode ser a sua oportunidade!Para compor nosso time de MLOps, buscamos uma pessoa para liderar a construção da nossa plataforma de ML em tempo real. Ela é a base para que modelos de machine learning, agentes de IA e aplicações tomem decisões em milissegundos, a partir de eventos que acabaram de acontecer em nossos produtos.O desafio é desenhar e construir essa plataforma na AWS e entregá-la como serviço aos times de ciência de dados e de produto.

Ela reúne feature store, registro de modelos, inferência em tempo real e monitoramento, para que esses times coloquem modelos em produção com autonomia.Você vai fazer parte da estrutura de plataforma e trabalhar com os times de engenharia de software, de dados e de cloud, do desenho da arquitetura até a entrada em produção.Se interessou pela oportunidade mas não reside em Joinville?

Não tem problema, possibilitamos o trabalho remoto/home office.Responsabilidades e atribuiçõesLiderar o desenho da arquitetura da plataforma de ML em tempo real, avaliando alternativas e conduzindo as decisões técnicas com os times envolvidos;Entregar a plataforma como serviço, com padrões, interfaces e documentação que permitam aos times de ciência de dados e de produto definir, publicar e consumir features e modelos sem depender do time de plataforma;Construir e evoluir os componentes da plataforma: a feature store (online e offline, com metadados catalogados), o registro e versionamento de modelos, a inferência em tempo real e o monitoramento dos modelos em produção;Garantir que as features usadas no treinamento e na inferência sejam as mesmas, com a mesma lógica em batch e em streaming, definindo os requisitos com os times de engenharia que constroem os fluxos de eventos;Integrar a plataforma aos serviços de ML da AWS, com o Amazon SageMaker como base para o armazenamento de features, o registro de modelos e a inferência em tempo real;Estruturar a operação da plataforma e dos modelos em produção com os times de Cloud e de Plataforma de Dados, usando infraestrutura como código, padrões e runbooks;Garantir a latência, a disponibilidade e a escalabilidade da plataforma, com SLOs e observabilidade;Documentar decisões técnicas, padrões e procedimentos operacionais, facilitando o crescimento do time e a evolução da stack.Requisitos e qualificaçõesModelos em Tempo Real (Real-Time): Experiência em produção com modelos de machine learning em tempo real, com inferência acionada a cada evento e requisitos de baixa latência.Arquitetura Self-Service: Vivência na entrega de plataforma como serviço, com padrões de arquitetura self-service, documentação e interfaces que deem autonomia aos times de ciência e produto.Feature Store e Consistência de Dados: Experiência na construção de Feature Store (online e offline, com metadados catalogados) e garantia de consistência entre treinamento e inferência.Registro e Monitoramento de Modelos: Prática na estruturação de registro e versionamento de modelos (Model Registry, ex.: MLflow) e monitoramento de modelos em produção.Ecossistema AWS: Experiência na construção de plataformas de dados e ML na AWS, preferencialmente com Amazon SageMaker (Endpoints, Feature Store, Model Registry, Pipelines) ou serviços equivalentes.Linguagens de Programação: Domínio avançado de Python e SQL para desenvolvimento de rotinas de dados e serviços de ML.Engenharia de Software e IaC: Domínio de Terraform (IaC), automação de deploys via CI/CD e observabilidade em produção.Informações adicionaisDiferenciais:Produtos Financeiros e Negócio: Experiência com tomada de decisão em tempo real em produtos financeiros (como risco, crédito ou prevenção a fraudes).Arquiteturas de Streaming: Entendimento da construção e consumo de fluxos de streaming (ex.: Kafka, Kinesis, CDC, AWS DMS, MSK) para dialogar com os times de engenharia.Ecossistema Databricks: Vivência no ecossistema Databricks para apoiar e se comunicar com cientistas e analistas de dados.Regulações do Setor Financeiro: Conhecimento das principais regulações do setor (como LGPD, normas do Banco Central/BACEN e SOX).Modelo de trabalho:Carga horária de 8h por dia (segunda a sexta-feira);Contratação CLT.

Send this job to a friend:TelegramWhatsApp

More remote Machine Learning Engineer jobs

See all

AI Engineer

Awesome Motive

Miami Beach, FL, United States; India and 1 more · 8d ago

São Paulo, SP, Brazil; Santiago, Santiago Metropolitan Region, Chile and 4 more · 21d ago

More remote jobs open to candidates in

Get new jobs like this by email

Once a week. Remote machine learning engineer jobs that can hire you in your country.

Hiring in: your countryChange

Weekly, only when there are at least 3 new jobs. No account needed. Unsubscribe in one click. You never pay to apply. Privacy

See how well this job fits your resume

Free, no card.

See my match for each job — free