Engenheiro(a) de IA/ML

Feature Engineering Techniques

Por quê: Você desenha features com target encoding ou agregados temporais sem vazar o rótulo, o que separa um modelo que se sustenta em produção de um que só parecia bom offline.

Feature Stores

Por quê: Você serve os mesmos valores de feature no treino e na inferência online com correção point-in-time, eliminando uma causa comum de training-serving skew silencioso.

Supervised & Unsupervised Learning

Por quê: Você justifica a família de modelo e a escolha de ensemble diante do trade-off viés-variância de um dataset, em vez de repetir o que funcionou da última vez.

Deep Learning Architectures (CNN/RNN/Transformer)

Por quê: Você escolhe entre CNN, modelo recorrente ou transformer para a modalidade em questão, em vez de usar a arquitetura mais nova quando uma mais simples resolve.

LLM API Integration

Por quê: Você abstrai provedores atrás de uma interface e gerencia orçamento de tokens, de modo que trocar de modelo numa queda do fornecedor ou mudança de preço seja configuração, não reescrita.

Prompt Engineering for Production

Por quê: Você versiona prompts, testa contra um conjunto fixo de casos e faz A/B de uma mudança, para que a edição de um prompt não degrade a feature sem ninguém perceber.

Model Serving (TorchServe/Triton/vLLM)

Por quê: Você publica um modelo atrás de Triton, TorchServe ou vLLM e ajusta o batching para latência, para que o primeiro pico de tráfego não vire timeout.

Containerized Training (Docker/K8s)

Por quê: Você empacota o treino numa imagem Docker e roda no Kubernetes, para que um colega reproduza a execução da semana passada num cluster novo.

GPU/TPU Resource Management

Por quê: Você faz um job de treino caber na memória da GPU com mixed precision e configuração multi-GPU, em vez de reduzir o modelo depois de uma falha de out-of-memory.

Bias Detection & Mitigation

Por quê: Você mede uma métrica de fairness entre grupos antes do lançamento e aplica uma mitigação, de modo que um dataset enviesado seja pego no review e não pelos usuários afetados.

Model Explainability (SHAP/LIME)

Por quê: Você usa SHAP ou LIME para explicar uma predição a um revisor de negócio que pergunta por que um cliente foi recusado, e sustenta com a importância global das features.