Engenheiro de Machine Learning Sênior (Dados + IA Generativa)

Sobre a oportunidade

Buscamos um(a) Engenheiro(a) de Machine Learning Sênior, com experiência sólida em Engenharia de Dados, Machine Learning e Inteligência Artificial Generativa, para atuar no desenvolvimento e na implementação de soluções inteligentes voltadas à análise de dados, previsão de demanda e aplicações de IA em ambiente de produção.

O profissional será responsável por estruturar pipelines de dados, desenvolver modelos preditivos de séries temporais, implementar práticas de MLOps e construir soluções baseadas em RAG (Retrieval-Augmented Generation), garantindo qualidade, rastreabilidade, monitoramento e confiabilidade das soluções.

Requisitos obrigatórios

• Python avançado e SQL: experiência na construção de pipelines de ingestão incremental a partir de BI ou staging, em formato colunar (Parquet/Delta), incluindo relatórios de qualidade de dados.

• Séries temporais aplicadas à previsão de demanda: conhecimento em modelos estatísticos e de Machine Learning, como StatsForecast/ETS/ARIMA e LightGBM com variáveis exógenas. Experiência no tratamento de intermitência, sazonalidade, campanhas e outliers, além de backtesting com janela deslizante e MAPE por SKU e por marca.

• MLOps: experiência com versionamento de modelos, monitoramento de drift e implementação de gatilhos de retreinamento, utilizando ferramentas como MLflow.

• RAG em produção: experiência com busca híbrida (vetorial + lexical), reordenação, citação obrigatória de fontes, guardrails de recusa quando não houver fonte disponível e construção de suítes de avaliação.

• Cloud e práticas de engenharia: experiência com ambiente Cloud (a ser indicado pela Belliz), Infraestrutura como Código (IaC), Git, CI/CD, cofre de segredos e observabilidade, incluindo monitoramento de custo por token.

Requisitos desejáveis

• Experiência nos segmentos de varejo, bens de consumo ou cosméticos, especialmente em cenários com grande volume de SKUs, campanhas e lançamentos.

• Experiência com dados provenientes de ERP (TOTVS ou similar), sem acesso direto à fonte.

• Experiência na construção de interfaces simples para ajustes, como Streamlit ou aplicações leves, permitindo que o Planner registre os motivos dos ajustes realizados.