MLOps Engineer at SDO Mocambique

, Maputo Province, Mozambique -

Full Time

Start Date

Immediate

Expiry Date

15 Oct, 26

Salary

0.0

Posted On

17 Jul, 26

Experience

2 year(s) or above

Remote Job

Yes

Telecommute

Yes

Sponsor Visa

Skills

Python, TensorFlow, PyTorch, Scikit-learn, XGBoost, Pandas, NumPy, Spark, REST APIs, Microservices, Docker, Kubernetes, CI/CD, Git, MLOps, Cloud Platforms

Industry

Human Resources Services

Description

Objectivos da função O Engenheiro será responsável por conceber, construir, implementar e manter modelos de aprendizagem automática escaláveis e soluções orientadas a dados que resolvem problemas de negócio reais. Esta função faz a ponte entre a ciência de dados e a engenharia de software, garantindo que os modelos de aprendizagem automática estão prontos para produção, são fiáveis e têm um elevado desempenho. Responsabilidades: Identificar oportunidades de automatização e otimização de processos em vários departamentos e funções; Conceber, desenvolver e implementar soluções automatizadas utilizando ferramentas e tecnologias adequadas; Colaborar com equipas multifuncionais para recolher requisitos e definir objectivos de automatização; Realizar estudos de viabilidade e analisar a relação custo-benefício das iniciativas de automatização; Realizar testes e depuração de processos automatizados para garantir a precisão e a fiabilidade; Monitorizar e manter soluções automatizadas, incluindo a decteção e resolução de problemas; Tomar decisões sobre as abordagens de automatização mais eficazes para diferentes processos; Recomendar melhorias e otimizações de processos com base nos resultados da automatização; Aplicar os princípios da IA responsável, incluindo equidade, explicabilidade e transparência. Desenvolvimento e Implementação de Modelos Conceber, desenvolver, treinar e avaliar modelos de aprendizagem automática para casos de utilização de previsão, classificação, recomendação ou otimização; Transformar protótipos de ciência de dados em pipelines de aprendizagem automática prontos para produção; Implementar modelos utilizando APIs, tarefas em lote ou arquiteturas de streaming; Monitorizar o desempenho dos modelos, a deriva dos dados e os requisitos de retreinamento em produção. Engenharia de Dados e Características Colaborar com os engenheiros de dados na criação e otimização de pipelines de dados para o treino de modelos, inferência e outras tarefas relacionadas com dados; Realizar engenharia e selecção de características para melhorar a precisão e o desempenho dos modelos. Governança, Segurança e Ética Garantir que os modelos cumprem os requisitos em matéria de privacidade de dados, segurança e regulamentação. Engenharia de Software e MLOps Escrever código limpo, fácil de manter e bem testado, utilizando as melhores práticas de engenharia de software; Implementar pipelines de CI/CD para fluxos de trabalho de aprendizagem automática; Utilizar ferramentas de contentorização e orquestração (por exemplo, Docker, Kubernetes) para implementações escaláveis; Aplicar práticas de MLOps, incluindo controlo de versões, acompanhamento de experiências e gestão do ciclo de vida dos modelos. Colaboração e Envolvimento das Partes Interessadas Colaboração e Envolvimento das Partes Interessadas; Trabalhar em estreita colaboração com cientistas de dados para implementar modelos; Estabelecer parcerias com as equipas de produto e de negócios para compreender os requisitos e as métricas de sucesso; Comunicar o comportamento, as limitações e os resultados dos modelos às partes interessadas sem conhecimentos técnicos. Licenciatura ou mestrado em ciência da computação, engenharia, ciência de dados, matemática ou área relacionada; Mais de 3 anos de experiência em aprendizagem automática, engenharia de software ou ciência de dados aplicada (dependendo do nível). Competências técnicas necessárias: Sólidas competências de programação em Python (obrigatório); familiaridade com Java, Scala ou C++ é uma vantagem; Experiência prática com frameworks de aprendizagem automática como TensorFlow, PyTorch, scikit-learn e XGBoost; Sólidos conhecimentos de aprendizagem supervisionada e não supervisionada, avaliação de modelos e técnicas de otimização; Experiência com ferramentas e frameworks de processamento de dados (ex.: Pandas, NumPy, Spark); Conhecimento de APIs REST e arquitetura de micro-serviços. MLOps e Cloud Experiência na implementação de modelos de aprendizagem automática em ambientes de produção; Familiaridade com plataformas na nuvem (AWS, Azure ou GCP) e serviços de aprendizagem automática geridos; Experiência com ferramentas de CI/CD e sistemas de controlo de versões (Git).

Responsibilities

The engineer will design, implement, and maintain scalable machine learning models and data-driven solutions to solve business problems. This includes bridging the gap between data science and software engineering to ensure production-ready, reliable, and high-performance models.