Blip Global - Staff AI Engineer

• 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. • Knowledge distillation & fine-tuning: • 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. • Navegação no ecossistema fechado vs. aberto: • Otimização de inferência e baixa latência: Experiência no serving de alto desempenho de modelos de linguagem e técnicas de quantização. • Otimização de inferência e baixa latência: • 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. • Engenharia e curadoria de dados para ML: • 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. • Infraestrutura de nuvem e big data: • 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. • Frameworks de avaliação e rigor científico: • Engenharia de software de IA: Domínio de Python, PyTorch, utilização eficiente de GPUs e arquiteturas escaláveis de APIs e microsserviços. • Engenharia de software de IA: • 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. • Gestão da incerteza em pesquisa: • 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. • Mentalidade research-to-product: • Aprendizado contínuo: Capacidade de se manter atualizado e com conhecimento relevante frente às mudanças constantes do mercado de LLMs e IA Generativa. • Aprendizado contínuo: • 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. • Visão analítica e raciocínio de trade-offs: • 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. • Liderança técnica por influência: • 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. • Comunicação efetiva: • 📝 Responsabilidades diárias • Model lifecycle management: Projetar, treinar, validar, implantar e evoluir modelos customizados e adaptadores para o ecossistema do produto. • Model lifecycle management: • 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. • Estratégia fechado vs. aberto: • Pesquisa aplicada e experimentação: Conduzir experimentos rigorosos para testar novas arquiteturas, técnicas de quantização e estratégias de modelagem sob condições de incerteza técnica. • Pesquisa aplicada e experimentação: • Operação e curadoria de dados e infraestrutura: Construir e gerenciar pipelines automatizados de limpeza e curadoria de dados em larga escala, além de orquestrar e monitorar cargas de trabalho de inferência em ambiente de nuvem. • Operação e curadoria de dados e infraestrutura: • Alinhamento com negócio e produto: Trabalhar lado a lado com os times de produto e negócio para garantir que as apostas em IA estejam alinhadas às metas estratégicas da Blip. • Alinhamento com negócio e produto: • ✨ Diferenciais • ✨ Diferenciais • Ecossistema GCP: Vivência e experiência prática na plataforma Google Cloud Platform (GCP) em especial BigQuery (BQ), Google Kubernetes Engine (GKE) e suíte Vertex AI / Agent Platform. • Ecossistema GCP: • Google Cloud Platform (GCP) • BigQuery (BQ) • Google Kubernetes Engine (GKE) • Vertex AI / Agent Platform • Experiência em destilação em produção: Histórico comprovado em migrar capacidades executadas em modelos de grande porte para modelos menores operando em escala com ganho de ROI. • Experiência em destilação em produção: • Contribuição para a comunidade de IA: Histórico de publicações, artigos técnicos ou contribuições em projetos open-source no ecossistema de ML/LLM (Hugging Face, vLLM, PyTorch, etc.). • Contribuição para a comunidade de IA: • Otimização de GPU: Conhecimentos avançados na alocação de memória de GPU (PagedAttention, Continuous Batching), kernels de aceleração e compilação de modelos. • Otimização de GPU: