Machine Learning Engineer Sr

Descrição da vaga

A Leega é uma empresa focada no atendimento eficiente e inovador em seus clientes.

Isso não poderia ser diferente com o nosso principal combustível: as pessoas!

Nossa cultura é inspiradora e nossos valores estão presentes no dia a dia: ética e transparência, excelência de qualidade, trabalho em equipe, responsabilidade econômica, social e ambiental, relações humanas e credibilidade.

Buscamos profissionais inovadores que sejam movidos por desafios e focados em resultados.

Se você busca uma empresa dinâmica e parceira e que investe em seus colaboradores através de capacitação constante, a Leega é o lugar para você!

> A LEEGA É PARA TODOS, ficaremos muito felizes em ter você em nosso time. Venha fazer parte da nossa história e da construção do nosso futuro.

Sobre a oportunidade

Você é quem conecta o protótipo à produção. Vai desenhar e construir a engenharia de MLdo motor de precificação — o serving de inferência, os pipelines de treino e a engenharia de features — para que modelos complexos rodem em tempo real, com baixa latência, sobre

Ray. Foca na modelagem e no código de ML; a plataforma e o runtime ficam com o time deMLOps/Plataforma, com quem você trabalha lado a lado.

Seus Desafios

• Serving de inferência — desenhar o pipeline de modelos encadeados sobre Ray Serve — composição de modelos, baixa latência e estratégias de atualização.
• Treino distribuído — construir pipelines de treino (Ray Train/Data), HPO (Ray Tune) e modelos treinados por tenant, com checkpointing resiliente.
• Engenharia de features — definir e materializar features no feature store(Feast/Redis), garantindo consistência entre treino e produção.
• Otimização e RL — implementar e otimizar os componentes de otimização(programação linear) e de RL offline do pipeline de preço.
• Qualidade do modelo — monitorar drift do ponto de vista de modelagem, validarversões e produzir explicabilidade (SHAP) — em parceria com MLOps.
• Liderança técnica — atuar como referência, mentorar e definir, com o time, o que éviável e escalável.

Você faz o handoff com os cientistas de dados, recebe dados dos data engineers e entrega ao time de MLOps/Plataforma para deploy e operação.

Stack & Ferramentas

• ML serving & treino: Ray (Serve, Train, Tune, Data, RLlib)
• Registry & features: MLflow, Feast + Redis
• Otimização: programação linear (Gurobi, HiGHS), RL offline
• Linguagem & runtime: Python;
  Docker; leitura de Iceberg

O que Buscamos

Essenciais

• Experiência comprovada colocando modelos de ML em produção.
• Python e fundamentos sólidos de Engenharia de Software (APIs, testes, código limpo).
• Serving e otimização de inferência para baixa latência.
• Familiaridade com containers (Docker) e com fluxos de MLOps (registry, deploy).
• Conforto com desenvolvimento assistido por IA (Claude Code).

Diferenciais

• Ecossistema Ray (Serve, Train, Tune, RLlib) — forte diferencial.
• Feature stores (Feast) e serving de baixa latência com Redis em escala.
• Otimização/solvers (Gurobi, HiGHS) ou revenue management em tempo real; RLoffline.
• Serving de IA generativa (vLLM, LiteLLM) e arquiteturas multi-tenant.

• Trabalho Remoto
• Tempo de Projeto: 6 meses, com possibilidade de extensão/internalização.