About the role
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.
Cadastre-se agora mesmo em nossas vagas!
Sobre a oportunidade
Você é quem conecta o protótipo à produção. Vai desenhar e construir a engenharia de ML do 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 de MLOps/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, validar versões e produzir explicabilidade (SHAP) — em parceria com MLOps.
- Liderança técnica —atuar como referência, mentorar e definir, com o time, o que é viável 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; RL offline.
- Serving de IA generativa (vLLM, LiteLLM) e arquiteturas multi-tenant.
Informações adicionais
- Trabalho Remoto
- Tempo de Projeto:6 meses, com possibilidade de extensão/internalização.
Originally posted on Himalayas