Alocação de engenheiros de machine learning
Engenheiros de ML que levam modelos da pesquisa para a produção, com experiência em times de empresas dos EUA. Constroem pipelines de treino, colocam modelos em infraestrutura de serving, monitoram drift e otimizam latência. O trabalho não para no notebook.
Por que a EnzRossi
Profissionais seniores, avaliados e preparados antes de chegar até você. A gente continua responsável depois da alocação.
Os mesmos profissionais que atendem empresas dos EUA: inglês fluente, code review, testes, documentação e comunicação direta. Agora no seu time.
Profundidade técnica, comunicação em inglês, fluência em ferramentas de IA, senso de dono e alinhamento cultural. Só 5% dos candidatos são aprovados.
Sem meses de processo seletivo nem vaga parada. Você recebe perfis já avaliados e entrevista só quem faz sentido. Funções mais específicas levam de 7 a 10 dias.
Se não for a pessoa certa, a substituição não tem custo e você paga só os dias trabalhados. Depois do teste, o contrato é mês a mês, sem multa de saída.
Uma fatura por mês da EnzRossi, em reais ou em dólar. Nada de processo seletivo, admissão ou folha do seu lado.
Universidades como USP e UFRJ formam pesquisadores de ML com base matemática sólida. Vários engenheiros da nossa base têm formação em ML no nível de pós-graduação.
Trabalham com feature stores, model registries, infraestrutura de testes A/B e monitoramento de drift, não só em ambiente de pesquisa. Traduzem métricas de modelo em impacto no produto para quem não é técnico.
Todo candidato passa pelas cinco etapas antes de você ver o perfil. Depois da nossa triagem, você também pode fazer a sua própria rodada técnica.
* Para vagas comuns, como full-stack. Outras vagas costumam levar de 7 a 10 dias.
Um teste com tempo que mede pensamento analítico, reconhecimento de padrões e clareza na resolução de problemas, sem depender de uma linguagem de programação específica.
Uma entrevista estruturada que avalia estilo de comunicação, resolução de conflitos, senso de dono e inglês em contexto profissional.
Uma sessão ao vivo de 90 minutos em três partes. Primeiro, desenho do pipeline de treino: como o candidato montaria um pipeline reproduzível para um problema de classificação, com divisão dos dados, feature engineering, rastreamento de experimentos e seleção de modelo. Segundo, prontidão para produção: servir um modelo com FastAPI, inferência em lote ou em tempo real e monitoramento de latência. Terceiro, um cenário real de debug: a precisão de um modelo em produção caiu 15% em 30 dias, e ele explica a análise de causa (data drift, label drift, mudança de distribuição) e a correção.
Verificação de histórico profissional, formação e identidade, com consentimento por escrito e de acordo com a LGPD.
Conversamos com pelo menos duas referências profissionais que trabalharam com o candidato em um contexto de engenharia, não com contatos pessoais.
Depois da nossa triagem, você pode fazer a sua própria rodada técnica antes de fechar a contratação.
Perfis de exemplo
Perfis anônimos da nossa base de profissionais avaliados. Os candidatos da sua shortlist podem ser diferentes.
São Paulo, Brasil
4+ anos de experiência
Rio de Janeiro, Brasil
7+ anos de experiência
Campinas, Brasil
10+ anos de experiência
Receba perfis selecionados para os requisitos da sua vaga.
Receber perfisO que esperar
Os engenheiros de ML da nossa base sabem a diferença entre um modelo que vai bem no notebook e um que funciona em produção. Rastreiam experimentos, versionam dados, monitoram os modelos em produção e refazem pipelines quando a distribuição muda. Usam IA dos dois lados: colocam modelos em produção e usam assistentes no próprio trabalho, sempre com revisão.
GitHub Copilot e Cursor para scripts de processamento de dados, boilerplate de treino e código de serving em FastAPI. Os assistentes aceleram a parte de implementação do trabalho de ML.
Ferramentas de AutoML (Vertex AI AutoML, Auto-sklearn) para explorar a seleção de modelos, não para substituir o julgamento de engenharia. Eles sabem quando um resultado de AutoML merece confiança.
Avaliam foundation models para fine-tuning e aplicações RAG e explicam com clareza o custo de infraestrutura e o impacto na latência antes de fechar a escolha do modelo.
Rastreamento de experimentos não é opcional. Todo treino tem parâmetros, métricas e artefatos registrados. Reprodutibilidade é requisito de design, não ajuste no fim.
Respondem pela performance do modelo em produção: montam dashboards de monitoramento, definem limites de drift e disparam o retreino antes de o usuário abrir um chamado.
Dúvidas
Funções relacionadas
Conte o seu caso de uso de ML e a sua infraestrutura. A primeira shortlist chega em 3 dias.
PyTorch
TensorFlow / Keras
scikit-learn
Pandas / NumPy / Polars
Vertex AI / SageMaker / Azure ML
Docker + Kubernetes para ML
FastAPI / TorchServe (serving de modelos)
Apache Spark para ML em escala