Machine Learning Engineer - Digital

No Luizalabs, temos grande autonomia e responsabilidade, somos multidisciplinares, auto gerenciáveis e com pouca burocracia no nosso cotidiano, lutando para sempre romper barreiras, elevar a barra técnica e ampliar nossa capacidade de agregar valor ao negócio. Fazemos entregas frequentes e agimos rapidamente ao encontrar problemas; nosso ritmo é acelerado, mas temos tranquilidade para planejar. Aqui você tem liberdade para fazer de forma simples e criativa, com total autonomia e apoio para utilizar e desenvolver tecnologias de ponta e aplicá-las em larga escala de produção para fazer a diferença na vida de milhões de pessoas. Atuação no Digital Temos a missão de criar experiências digitais que aumentem a conversão por meio de soluções inovadoras e centradas no usuário, que engajem e encantem sellers e consumidores. Aqui, você terá oportunidade de aprofundar seus conhecimentos em ML e de se tornar referência. Buscamos pessoas da área de Engenharia de Machine Learning para integrar o nosso time do Digital e nos ajudar a “produtizar” soluções baseadas em dados para diversas áreas do Magalu. Conhecimentos e habilidades necessários

• Excelente habilidade em programação em Python;
• Conhecimentos sobre conteinerização em Docker;
• Ótimo conhecimentos de Kubernetes;
• Conhecimento de computação na nuvem; storage, mensageria, computação sob demanda, data warehousing (preferencialmente no GCP);
• Conhecimento sobre a criação e execução de testes unitários (pytest);
• Conhecimento sobre o processo de criação de soluções de Ciência de Dados e ciclo de vida de modelos de Machine Learning (MLOps);
• Habilidade de se comunicar com pessoas do time de negócios e das demais áreas de engenharia/ciência de dados;
• Conhecimento de CI/CD.

• Conhecimento de PySpark;
• Conhecimentos sobre job scheduler e sistemas de orquestração (Airflow/Luigi);
• Conhecimento de Kubeflow;
• Conhecimento em bancos de dados vetoriais (qdrant/redis);
• Conhecimento em mecanismos de busca (elasticsearch).

• Definir a arquitetura de soluções de ML reprodutíveis, escaláveis e monitoradas para o ambiente de produção, garantindo boas práticas de arquitetura de sistemas;
• Auxiliar os outros times nas etapas de Feature Selection e Feature Engineering em pipelines de execução recorrente seguindo boas práticas de Engenharia de Dados;
• Encapsular modelos de ML na forma de códigos estruturados para treinamento recorrente seguindo boas práticas de MLOps;
• Expor modelos de machine learning de forma escalável e com alta disponibilidade para uso em ambiente de produção seguindo boas práticas de MLOps;
• Estruturar a comunicação entre modelos de ML em produção e Feature Stores com alta disponibilidade frente a uma forte atualização dos dados;
• Gerenciar o ciclo de vida dos modelos de machine learning para acompanhamento de parâmetros, métricas e artefatos garantindo boas práticas de Ciência de Dados;
• Criar novas bibliotecas e serviços para aprimorar nossos processos, reduzindo custos e tempo de entrega.