A nstech é a maior plataforma de tecnologia e softwares para logística e supply chain da América Latina. Ela conecta toda a cadeia de transporte — embarcadores, transportadoras, corretores e motoristas — em um único ecossistema digital para tornar as operações mais eficientes, seguras e econômicas.

A nstech está estruturando sua área de IA para levar essa escala para dentro dos produtos e da operação: agentes e modelos que resolvem problemas reais de quem move carga, com valor medido. São quatro times — adoção de IA nas áreas de negócio, plataforma de agentes e modelos, IA nos produtos e pesquisa aplicada — num momento em que há muito a construir.

Buscamos uma pessoa Machine Learning Engineer para o time de AI Capabilities, que constrói a plataforma de agentes e modelos da nstech. Seu foco é o caminho que leva um modelo do experimento à produção: treino reprodutível, registro, serving e monitoramento, para que todo modelo da companhia nasça rastreável e continue saudável depois de subir.

Os modelos resolvem problemas de operação logística de verdade — risco em viagem, alerta no monitoramento de carga, frete, documento fiscal — sobre um volume de dado que poucas empresas têm. Quem treina são os cientistas de dados do time de IA nos produtos. Você dá a eles o ferramental e as features compartilhadas, e responde pela parte que decide se um modelo se sustenta fora do notebook: latência, custo de serving, drift e alerta.

Feature calculada uma vez e usada do mesmo jeito em treino e em inferência. Modelo com versão, linhagem e registro de quem aprovou. Monitoramento que avisa antes de o cliente perceber. É esse o padrão que você estabelece.

Por que esta vaga

• Você define o ciclo de vida de modelo da companhia, em vez de herdar um pronto
• Dado proprietário de toda a cadeia de transporte, com casos de uso de alto volume
• Parceria diária com cientistas de dados que têm modelos para levar a escala
• Time sênior e enxuto, com acesso direto à liderança da área

Responsabilidades e atribuições:

• Construir e manter o ferramental de ML da plataforma: feature store, registro de modelos, treino reprodutível e rastreamento de experimentos
• Colocar modelos em produção com serving batch e online, com latência e custo declarados por caso de uso
• Implantar monitoramento de drift de dado e de degradação de performance, com alerta
• Definir o processo de promoção de modelo para produção — documentação, aprovação e linhagem —, de forma que qualquer decisão automatizada possa ser auditada
• Apoiar os cientistas de dados na passagem do experimento para produção, com padrões e exemplos
• Trabalhar com a Diretoria de Dados na integração com o lakehouse e os pipelines de dado
• Contribuir com as decisões de arquitetura da plataforma de IA

Requisitos obrigatórios

• Experiência sólida em engenharia de machine learning, com modelos em produção sob sua responsabilidade
• Python e/ou Node em nível profissional, com prática de teste, revisão e CI/CD
• MLOps ponta a ponta: feature store, registro de modelos, serving e monitoramento
• Serving de modelo em batch e em tempo real, com otimização de latência e custo
• Monitoramento de modelo em produção: drift, degradação e resposta a incidente
• Trabalho com dado em larga escala (Spark ou equivalente)
• Uso crítico e cotidiano de ferramentas de IA no próprio trabalho

Desejáveis

• Databricks em produção, incluindo MLflow e Feature Store
• Containers, orquestração (Kubernetes ou equivalente) e infraestrutura como código
• Orquestração de pipelines (Airflow, Dagster ou equivalente)
• Serving de LLMs e modelos abertos (vLLM, TGI ou equivalentes)
• Kafka ou outra arquitetura de eventos

Diferenciais

• Ambiente com exigência regulatória sobre decisão automatizada (LGPD, explicabilidade)
• Modelos de risco, fraude ou detecção de anomalia em produção
• Logística, transporte ou seguros
• Contribuição open source em ferramental de ML