Staff AI Engineer

Sobre esta vaga

A Blip busca um Staff AI Engineer com perfil de Engenheiro e Pesquisador em IA 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 Diretoria de Inteligência Artificial: 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.

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.

🎯 Propósito do cargo

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.

Requisito

• Formação acadêmica: Engenharia de Sistemas, Ciência da Computação, Engenharia da Computação, Inteligência Artificial ou áreas correlatas.

🛠️ Hard Skills

• Knowledge distillation & fine-tuning: Domínio prático na criação de arquiteturas Teacher-Student, técnicas de PEFT (LoRA, QLoRA) e adaptação/especialização de modelos abertos para novas capacidades.

• Navegação no ecossistema fechado vs. aberto: 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.

• Otimização de inferência e baixa latência: Experiência no serving de alto desempenho de modelos de linguagem e técnicas de quantização.

• Engenharia e curadoria de dados para ML: Capacidade de extrair, tratar e sanitizar grandes volumes de dados, geração de dados sintéticos de alta fidelidade e curadoria de datasets de treino/validação.

• Infraestrutura de nuvem e big data: 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.

• Frameworks de avaliação e rigor científico: Habilidade em construir Golden Datasets, frameworks estritos de LLM-as-a-Judge, avaliação empírica e métricas de alinhamento e qualidade além de métricas de avaliação tradicionais em NLP.

• Engenharia de software de IA: Domínio de Python, PyTorch, utilização eficiente de GPUs e arquiteturas escaláveis de APIs e microsserviços.

🤝 Soft Skills

• Gestão da incerteza em pesquisa: 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.

• Mentalidade research-to-product: Habilidade para conectar avanços de P&D diretamente às necessidades de produto, transformando artigos e provas de conceito em capacidades produtizadas.

• Aprendizado contínuo: Capacidade de se manter atualizado e com conhecimento relevante frente às mudanças constantes do mercado de LLMs e IA Generativa.

• Visão analítica e raciocínio de trade-offs: Capacidade de tomar decisões embasadas em dados considerando o equilíbrio entre Qualidade vs. Latência vs. Custo Computacional vs. Privacidade.

• Liderança técnica por influência: 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.

• Comunicação efetiva: Capacidade de traduzir conceitos complexos de Deep Learning, hipóteses de pesquisa e otimização de infraestrutura em argumentos claros de ROI e estratégia para lideranças.

📝 Responsabilidades diárias

• Model lifecycle management: Projetar, treinar, validar, implantar e evoluir modelos customizados e adaptadores para o ecossistema do produto.

• Estratégia fechado vs. aberto: 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.

• Pesquisa aplicada e…