Staff AI Engineer

<div class="sc-add46fb1-1 rSSXJ" data-testid="text-section"> <p>A Blip busca um <strong>Staff AI Engineer</strong> com perfil de <strong>Engenheiro e Pesquisador em IA</strong> com forte orientação a impacto no negócio. Sua missão principal é liderar a pesquisa aplicada e o ciclo completo de Aprendizado de Máquina com foco em Modelos de Linguagem na <strong>Diretoria de Inteligência Artificial</strong>: desde a identificação e diagnóstico do problema, coleta e curadoria de dados, criação, fine-tuning e destilação de modelos, até a disponibilização, operação, monitoramento e evolução contínua em produção.</p> <p>Você atuará no ecossistema de Tecnologia da Blip conectado diretamente ao produto e às apostas estratégicas da empresa. Seu desafio é lidar com a incerteza inerente à pesquisa aplicada, criar novas capacidades de IA no produto e evoluir continuamente as existentes, navegando com fluidez e maturidade técnica entre ecossistemas de modelos fechados (APIs comerciais) e abertos (SLMs/LLMs próprios), equilibrando autonomia tecnológica, custo, latência e privacidade.</p> <h3><strong>🎯 Propósito do cargo</strong></h3> <p>Liderar e executar o ciclo de vida ponta a ponta de modelos de linguagem e soluções de IA (APIs, MCPs, Agents) na Blip. O objetivo é transformar teses de tecnologia em novas funcionalidades e ganhos ao negócio, navegando estrategicamente entre soluções proprietárias e open-source para maximizar a qualidade, otimizar latência/custo e garantir a governança dos dados.</p> <p><strong>Requisito</strong></p> <ul> <li><strong>Formação acadêmica:</strong> Engenharia de Sistemas, Ciência da Computação, Engenharia da Computação, Inteligência Artificial ou áreas correlatas.</li> </ul> <h3><strong>🛠️ Hard Skills</strong></h3> <ul> <li><strong>Knowledge distillation &amp; fine-tuning:</strong> Domínio prático na criação de arquiteturas <em>Teacher-Student</em>, técnicas de PEFT (<em>LoRA, QLoRA</em>) e adaptação/especialização de modelos abertos para novas capacidades.</li> <li><strong>Navegação no ecossistema fechado vs. aberto:</strong> Capacidade técnica de comparar e integrar tanto APIs de modelos proprietários quanto implantar e customizar modelos abertos, sabendo quando transicionar entre eles de acordo com a maturidade e os requisitos do caso de uso.</li> <li><strong>Otimização de inferência e baixa latência:</strong> Experiência no <em>serving</em> de alto desempenho de modelos de linguagem e técnicas de quantização.</li> <li><strong>Engenharia e curadoria de dados para ML:</strong> Capacidade de extrair, tratar e sanitizar grandes volumes de dados, geração de dados sintéticos de alta fidelidade e curadoria de datasets de treino/validação.</li> <li><strong>Infraestrutura de nuvem e big data:</strong> Experiência prática em ambientes de nuvem e ferramentas de Big Data para engenharia, análise e curadoria de grandes volumes de dados, bem como orquestração de microsserviços e motores de inferência escaláveis em produção.</li> <li><strong>Frameworks de avaliação e rigor científico:</strong> Habilidade em construir <em>Golden Datasets</em>, frameworks estritos de <em>LLM-as-a-Judge</em>, avaliação empírica e métricas de alinhamento e qualidade além de métricas de avaliação tradicionais em NLP.</li> <li><strong>Engenharia de software de IA:</strong> Domínio de Python, PyTorch, utilização eficiente de GPUs e arquiteturas escaláveis de APIs e microsserviços.</li> </ul> <h3><strong>🤝 Soft Skills</strong></h3> <ul> <li><strong>Gestão da incerteza em pesquisa:</strong> Capacidade de atuar em cenários ambíguos, formulando e testando hipóteses rapidamente, sabendo descartar caminhos inviáveis e direcionar o foco para o que gera valor real para o negócio.</li> <li><strong>Mentalidade research-to-product:</strong> Habilidade para conectar avanços de P&amp;D diretamente às necessidades de produto, transformando artigos e provas de conceito em capacidades produtizadas.</li> <li><strong>Aprendizado contínuo:</strong> Capacidade de se manter atualizado e com conhecimento relevante frente às mudanças constantes do mercado de LLMs e IA Generativa.</li> <li><strong>Visão analítica e raciocínio de trade-offs:</strong> Capacidade de tomar decisões embasadas em dados considerando o equilíbrio entre Qualidade vs. Latência vs. Custo Computacional vs. Privacidade.</li> <li><strong>Liderança técnica por influência:</strong> Capacidade de atuar como referência técnica na Diretoria de IA, mentorando engenheiros e servindo como ponte entre a visão de pesquisa e a visão de negócio.</li> <li><strong>Comunicação efetiva:</strong> Capacidade de traduzir conceitos complexos de Deep Learning, hipóteses de pesquisa e otimização de infraestrutura em argumentos claros de ROI e estratégia para lideranças.</li> </ul> <h3><strong>📝 Responsabilidades diárias</strong></h3> <ul> <li><strong>Model lifecycle management:</strong> Projetar, treinar, validar, implantar e evoluir modelos customizados e adaptadores para o ecossistema do produto.</li> <li><strong>Estratégia fechado vs. aberto:</strong> Avaliar e orquestrar a transição entre chamadas de APIs comerciais e modelos internos destilados em VPC, visando máxima qualidade, autonomia tecnológica e eficiência de custo/latência.</li> <li><strong>Pesquisa aplicada e experimentação:</strong> Conduzir experimentos rigorosos para testar novas arquiteturas, técnicas de quantização e estratégias de modelagem sob condições de incerteza técnica.</li> <li><strong>Operação e curadoria de dados e infraestrutura:</strong> Construir e gerenciar pipelines automatizados de limpeza e curadoria de dados em larga escala, além de orquestrar e monitorar cargas de trabalho de inferência em ambiente de nuvem.</li> <li><strong>Alinhamento com negócio e produto:</strong> Trabalhar lado a lado com os times de produto e negócio para garantir que as apostas em IA estejam alinhadas às metas estratégicas da Blip.</li> </ul> <h3><strong>✨ Diferenciais</strong></h3> <ul> <li><strong>Ecossistema GCP:&nbsp;</strong>Vivência e experiência prática na plataforma <strong>Google Cloud Platform (GCP)</strong> em especial <strong>BigQuery (BQ)</strong>, <strong>Google Kubernetes Engine (GKE)</strong> e suíte <strong>Vertex AI / Agent Platform</strong>.</li> <li><strong>Experiência em destilação em produção:</strong> Histórico comprovado em migrar capacidades executadas em modelos de grande porte para modelos menores operando em escala com ganho de ROI.</li> <li><strong>Contribuição para a comunidade de IA:</strong> Histórico de publicações, artigos técnicos ou contribuições em projetos open-source no ecossistema de ML/LLM (Hugging Face, vLLM, PyTorch, etc.).</li> <li><strong>Otimização de GPU:</strong> Conhecimentos avançados na alocação de memória de GPU (<em>PagedAttention, Continuous Batching</em>), kernels de aceleração e compilação de modelos.</li> </ul> </div>