Staff Machine Learning Engineer

Temos a missão de quebrar barreiras de comunicação entre pessoas surdas e ouvintes por meio da tecnologia no mundo inteiro.

Com a ajuda dos simpáticos tradutores virtuais, Hugo e Maya, nosso time de HandTalkers ajuda a construir espaços digitais mais acessível para milhões de pessoas com deficiência.

Nosso Super App , premiado mundialmente, inclusive pela ONU, já ultrapassou 9 milhões de downloads e proporciona uma jornada eficaz e divertida de aprendizado, incentivando a comunicação entre pessoas surdas e ouvintes.

Já o Hand Talk Plugin , reúne um ecossistema de soluções assistivas inovadoras que conecta pessoas e empresas através da acessibilidade digital.

Estamos apenas começando! Em 2025, demos um salto ainda maior ao nos unirmos à Sorenson Communications, líder global em comunicação para pessoas surdas e com deficiência auditiva. Fazemos parte do maior ecossistema de comunicação por língua de sinais no mundo!

Clique aqui e confira alguns dos nossos cases de sucesso em parceria com nossos clientes!

Aqui no nosso canal do Youtube tem mais informações sobre nós e como temos impactado o mundo com acessibilidade.

Nosso impacto agora é global e você pode fazer parte disso!

#SomosTodosSorenson

/n Habilidades Técnicas:

Experiência comprovada na construção de infraestrutura reutilizável, ferramentas ou plataformas de desenvolvedor que habilitam múltiplos engenheiros ou pesquisadores, e não apenas um pipeline para um modelo ou recurso predefinido.

Forte proficiência em Python e Linux, incluindo a escrita de software sustentável, automação e serviços.

Experiência prática com Docker, Kubernetes, pipelines de CI/CD, ambientes em nuvem como AWS e Infraestrutura como Código (Infrastructure as Code), como Terraform.

Compreensão prática do ciclo de vida de ML de ponta a ponta, incluindo preparação de dados, experimentação, treinamento, avaliação, gerenciamento de modelos e artefatos, empacotamento, implantação e monitoramento.

Experiência em dar suporte a cargas de trabalho intensivas em computação ou distribuídas e em diagnosticar gargalos de confiabilidade, desempenho, recursos e custos.

Conhecimento prático de frameworks modernos de ML, como PyTorch, e familiaridade suficiente com o comportamento e as restrições dos modelos para colaborar efetivamente com os pesquisadores. Esta não é uma função de cientista pesquisador.

Habilidade para trabalhar com requisitos ambíguos e em evolução, descobrir a necessidade subjacente e transformá-la em capacidades de engenharia simples e reutilizáveis.

Fortes habilidades de comunicação e colaboração entre equipes de pesquisa, engenharia e plataforma.

Inglês avançado obrigatório - conversacional, escrita e leitura.

Habilidades Comportamentais:

Interesse por diversidade, inclusão e acessibilidade;

Curiosidade;

Colaboratividade;

Estrutura e orientação para a ação;

Confortável trabalhando em ambiguidade e em ambientes de estágio inicial;

Foco no impacto — não apenas na produção ( output ).

Desejável:

Experiência na viabilização de pesquisas em domínios de ML, como modelagem de linguagem, tradução de idiomas, visão computacional, IA multimodal ou generativa, robótica e sistemas autônomos.

Experiência no escalonamento de clusters de GPU para treinamento, computação distribuída e processamento de dados em larga escala.

Experiência na construção de plataformas de ML voltadas para pesquisadores, ambientes de experimentação de autoatendimento e ferramentas usadas em muitos fluxos de trabalho de pesquisa em evolução.

Experiência ajudando equipes de pesquisa a migrar ou adotar uma plataforma de ML compartilhada.

Conhecimento de técnicas de otimização de inferência, como kernels de GPU personalizados. Isso é valioso, mas secundário à experiência de apoio à pesquisa e infraestrutura de ML.

/n Responsabilidades Principais:

Atuar em parceria com pesquisadores de ML em equipes de IA generativa para identificar gargalos e melhorar a velocidade, escala e confiabilidade da iteração de pesquisa.

Projetar, construir e manter infraestrutura de pesquisa reutilizável, fluxos de trabalho, modelos, interfaces e automação para experimentação, treinamento, avaliação, processamento de dados e empacotamento de modelos.

Habilitar experimentos reprodutíveis por meio de ambientes consistentes, gerenciamento de dependências, versionamento de artefatos e modelos, configuração, observabilidade e práticas de CI/CD.

Dar suporte a cargas de trabalho escaláveis de ML envolvendo grandes conjuntos de dados, clusters de GPU, computação distribuída e múltiplos modelos, serviços e componentes algorítmicos interconectados.

Entregar recursos pragmáticos de apoio à pesquisa para necessidades imediatas, mantendo-os alinhados com a arquitetura e o roadmap (roteiro) da plataforma central de ML.

Atuar como ponte técnica entre os pesquisadores e a equipe da plataforma de ML: traduzir os pontos de dor da pesquisa em requisitos claros de plataforma, validar novos recursos e ajudar as equipes de pesquisa a adotar a plataforma compartilhada.

Colaborar na melhoria do caminho da pesquisa para o produto, tornando os resultados da pesquisa mais fáceis de reproduzir, integrar e testar.

Contribuir para os padrões e a arquitetura compartilhados de engenharia de ML entre as equipes e promover práticas de engenharia por meio de colaboração prática, orientação técnica e compartilhamento de conhecimento.

Avaliar e introduzir tecnologias que melhorem materialmente a velocidade, a confiabilidade, a escalabilidade e a eficiência de custos da pesquisa.