Job Overview
Na CI&T , ajudamos grandes empresas a transformar o potencial da AI em impacto real nos negócios com AI Deployment, execução AI-native e tech-integrated business solutions.
Com 30 anos de experiência em transformação tecnológica, aceleramos inovação com expertise em agentic SDLC, application modernization, Data & AI, martech e business strategy.
Somos 8.000 CI&Ters em mais de 25 países, colaborando para construir soluções com impacto real. AI já faz parte da forma como trabalhamos, evoluímos e inovamos todos os dias.
Importante: se você reside na Região Metropolitana de Campinas, sua presença nos escritórios da cidade será obrigatória, conforme a política de frequencia vigente.
Buscamos pessoas que atuem como AI Machine Learning Engineer, apaixonado por transformar dados em soluções inteligentes que geram impacto real no negócio.
Responsabilidades:- Responsável por desenvolver, implementar e otimizar modelos de machine learning em produção, trabalhando em um ambiente moderno e colaborativo com tecnologias de ponta.
Requisitos para este desafio:
- Experiência com desenvolvimento e deploy de modelos de Machine Learning;
- Python avançado com experiencia em PySpark e bibliotecas de ML/DL (scikit-learn, TensorFlow, PyTorch, XGBoost, etc.);
- Familiaridade com arquiteturas de GenAI: Amazon Bedrock ou similar, RAG pipelines, vector databases (pgvector, OpenSearch, Pinecone), e integração com APIs de LLMs;
- Apache Airflow para Construção e gerenciamento de DAGs complexos;
- Experiencia com Snowflake e Conhecimento em DBT;
- Conhecimento em banco de dados relacional e SQL;
- Spec-driven development (especificação como input primário da AI);
- Domínio sólido de SDLC (design → build → test → deploy → operate);
- Uso avançado de AI no desenvolvimento (codegen, testes, refactor, debugging);
- Construção de agentes (multi-step, tool usage, planning + execution);
- Criação de skills reutilizáveis e composição de capacidades;
- Integração via MCP (Model Context Protocol) ou equivalente;
- Criacao de slash-commands / interfaces operacionais baseadas em prompt estruturado;
- Orquestração de workflows (multi-agente ou humano + agente);
- Integração com ferramentas (Git, CI/CD, issue tracking, observabilidade);
- Avaliação crítica de outputs de AI (qualidade, segurança, consistência).
#LI-CB4