Analista MLOps Sênior

Com mais de 40 anos de história, somos pioneiros e especialistas no segmento de empréstimos consignados. E também, em investimentos de renda fixa e variável com o Paraná Banco Investimentos.

Atualmente, temos 16 lojas próprias e mais de 120 correspondentes exclusivos, além quase 600 colaboradores. Os nossos PBs estão espalhados por todo o Brasil!

Oferecemos empréstimos com segurança e transparência para quem deseja quitar dívidas maiores, investir em algo ou realizar um sonho. Com o propósito transformar soluções financeiras em sorrisos!

E o que nos torna especiais?

• Somos apaixonados pelo sorriso: Buscamos as melhores experiências para os nossos clientes, valorizamos as pessoas e somos apaixonados pela empresa.
• Somos inovadores e buscamos simplicidade: Testamos, aprendemos e pensamos sempre em melhorias contínuas.
• Somos flexíveis e promovemos mudanças: Cultivamos a adaptabilidade como virtude, incentivando e promovendo constantes transformações para alcançar o melhor de cada jornada.
• Somos guiados por dados: Os nossos objetivos são claros, se não podemos medir, não podemos fazer. Somos direcionados pela eficiência e aproveitamos ao máximo os recursos disponíveis.

Nossas vagas são destinadas à todas as pessoas! Sem distinção de gênero, raça, cor, idade, orientação sexual ou etnia.

Como será o seu dia a dia?

• Atuar de forma estratégica na implementação e otimização de pipelines de MLOps, abrangendo todo o ciclo de vida dos modelos de Machine Learning: desde a descoberta (discovery), treinamento, experimentação, validação, versionamento, monitoramento e deployment em produção;
• Colaborar estreitamente com Cientistas de Dados e times de Engenharia de Dados para garantir que modelos e pipelines sejam robustos, escaláveis, reprodutíveis e aderentes à arquitetura corporativa;
• Desenvolver e manter pipelines automatizados de CI/CD para a entrega contínua de modelos, dados e configurações, assegurando a qualidade, rastreabilidade e governança das soluções de Machine Learning;
• Estabelecer e monitorar KPIs e SLAs relacionados ao desempenho, confiabilidade e custo das soluções de ML em produção, propondo melhorias contínuas e garantindo a observabilidade dos serviços;
• Implementar soluções de monitoramento para identificar desvios de dados, degradação de performance dos modelos e detectar necessidade de retreinamento, a fim de manter a acurácia e relevância das previsões;
• Garantir a segurança, integridade e conformidade dos dados utilizados, alinhando-se a padrões corporativos, melhores práticas de MLOps e políticas de governança de dados;
• Trabalhar com ferramentas de versionamento de modelos, dados e código, assegurando que experimentos, parâmetros e artefatos sejam rastreáveis e facilmente reprodutíveis;
• Orientar e mentorar equipes mais juniores, contribuindo para a difusão das melhores práticas, ferramentas e metodologias de MLOps na organização;
• Documentar de maneira clara, abrangente e atualizada todo o ciclo de desenvolvimento, deploy, monitoramento e manutenção dos modelos e pipelines.

O que eu preciso ter ou saber?

• Conhecimento sólido em MLOps, incluindo práticas avançadas de CI/CD para ML, pipelines de machine learning, monitoramento e retraining contínuo;
• SQL Intermediário/Avançado (manipulação de dados DQL, DML, DDL) e conhecimento de ETL/ELT para integração de dados;
• Experiência comprovada em Python, incluindo orientação a objetos, criação e manutenção de bibliotecas internas, uso de decorators e boas práticas de desenvolvimento;
• Domínio de ferramentas e frameworks para MLOps, tais como MLFlow (para rastreamento de experimentos, versionamento e deploy de modelos) e Airflow (orquestração de pipelines);
• Conhecimentos em Spark para processamento distribuído e escalável;
• Experiência com infraestrutura de containers (Docker) e orquestração (Kubernetes é um diferencial), bem como prática em CI/CD (Azure DevOps, Git, GitLab CI ou similares);
• Domínio em metodologias de testes, incluindo testes unitários, de integração e práticas de qualidade de software voltadas a dados e modelos;
• Experiência com Kafka para ingestão e distribuição de dados em tempo real;
• Conhecimento em bancos de dados relacionais (ex: SQL Server) e NoSQL (ex: MongoDB);
• Conhecimento intermediário de arquitetura de dados (DW, DM, Data Lake, Lakehouse) e melhores práticas de engenharia de dados;
• Experiência no uso de ferramentas de versionamento avançado (Git) e fluxos de code review, garantindo qualidade e padronização do código.

Vamos gostar se você tiver:

• Experiência com Databricks para pipelines de dados e ML;
• Vivência em Cloud Computing (especialmente Azure), incluindo serviços gerenciados de ML, orquestração, storage, segurança e compliance;
• Conhecimento em Infraestrutura como Código (Terraform, ARM Templates) e práticas SRE (observabilidade, logging, alertas, dashboards).

Benefits