Engenheiro de IA Sênior

Buscamos um Engenheiro de IA Sênior com experiência sólida (3+ anos) em engenharia de software aplicada a IA/ML. O profissional será responsável por: dominar Python e bibliotecas de IA (PyTorch ou TensorFlow); trabalhar com LLMs (prompt engineering, fine-tuning e avaliação de modelos); construir pipelines de RAG (embeddings, vector databases, chunking); desenvolver agentes de IA e orquestração (LangChain, LangGraph, CrewAI); consumir APIs de modelos (OpenAI, Anthropic, Google) com gestão de custos/tokens; trabalhar com bancos vetoriais (Pinecone, Weaviate, Qdrant, Chroma); construir APIs backend (FastAPI, Flask); implementar guardrails, segurança e mitigação de hallucination; versionamento e CI/CD (Git, GitLab/GitHub Actions); testes e avaliação de qualidade de respostas. Desejáveis: MLOps (MLflow, Kubeflow), fine-tuning avançado (LoRA, QLoRA), Docker/Kubernetes, cloud (AWS, GCP, Azure) com serviços de IA, multiagentes e function calling, arquiteturas multimodais, experiência com Claude Code/GitHub Copilot, inglês avançado e contribuições em open source ou comunidades de IA.

É por estas competências que a Aya conduz a conversa e monta a sua nota.

• Engenharia de IA / LLMs e RAG — Forte: descreve com profundidade técnica a construção de pipelines RAG end-to-end, decisões de chunking, estratégias de retrieval híbrido, uso avançado de LangChain/LlamaIndex/Hugging Face, e discute trade-offs de arquitetura com exemplos reais de produção. Fraca: conhece os termos superficialmente, cita frameworks sem detalhar implementação prática, não diferencia RAG de fine-tuning ou não tem experiência hands-on em produção.
• Bancos de Dados Vetoriais e Infraestrutura de Dados — Forte: relata implementação e operação em produção de pelo menos um vetor DB (Pinecone, Weaviate, Qdrant, Milvus ou pgvector), discute indexação, escalabilidade e otimização de queries vetoriais. Fraca: apenas leu sobre o tema, nunca operou em produção, ou confunde conceitos de embeddings com busca tradicional.
• Arquitetura de Sistemas, Cloud e MLOps — Forte: demonstra domínio sólido de microsserviços, Docker, Kubernetes, CI/CD e monitoramento de modelos em produção em ao menos uma cloud (AWS/GCP/Azure), com exemplos de decisões arquiteturais e resolução de incidentes. Fraca: experiência limitada a ambientes de desenvolvimento/local, sem exposição real a orquestração ou observabilidade em produção.
• Python Avançado e Fundamentos de ML — Forte: domínio fluente de Python com NumPy, Pandas e Scikit-learn, capaz de otimizar código e explicar decisões de modelagem/dados. Fraca: uso básico das bibliotecas, dificuldade em explicar trade-offs de performance ou boas práticas de código.
• Diferenciais Avançados (Fine-tuning, Agentes, Otimização) — Forte: experiência prática em fine-tuning (LoRA/QLoRA) de modelos open-source, uso de frameworks de agentes (CrewAI/LangGraph) e histórico de otimização de custo/latência em escala, possivelmente com publicações ou contribuições open-source. Fraca: sem exposição a essas técnicas ou conhecimento apenas teórico.

• Experiência mínima de 3 anos em engenharia de software aplicada a IA/ML?
• Domina Python e pelo menos uma biblioteca de IA (PyTorch ou TensorFlow)?
• Tem experiência prática com LLMs (prompt engineering, fine-tuning, avaliação)?
• Já construiu pipelines de RAG (embeddings, vector databases, chunking)?
• Tem experiência com desenvolvimento de agentes de IA e ferramentas de orquestração (LangChain, LangGraph, CrewAI)?
• Consumiou APIs de modelos de grandes fornecedores (OpenAI, Anthropic, Google)?
• Tem experiência com bancos de dados vetoriais (Pinecone, Weaviate, Qdrant, Chroma)?
• Construiu APIs backend (FastAPI ou Flask) para servir modelos de IA?
• Tem conhecimento de guardrails, segurança e mitigação de hallucination em sistemas de IA?
• Domina versionamento e CI/CD (Git, GitLab/GitHub Actions)?
• Tem experiência com testes e avaliação de qualidade de respostas geradas por IA?

• Modelo de trabalho: Remoto
• Senioridade: Sênior
• Posições abertas: 1
• Publicada em 11 de setembro de 2026

1. 1

   Candidatura

   Você envia o currículo e a gente mede a aderência ao perfil da vaga.

2. 2

   Entrevista com a Aya

   Uma conversa por WhatsApp, no seu tempo, por texto ou áudio.

3. 3

   Avaliação

   Nota por competência, com a evidência que justificou cada uma.

4. 4

   Decisão do RH

   Uma pessoa do RH analisa e decide. Você recebe o retorno.

Você está a um passo de fechar uma parceria com a SoftVerse, especialista no desenvolvimento de software de alta performance, soluções mobile e engenharia digital avançada.