Coordenador / Lead de Engenharia de Machine Learning

Empresa · Cliente da Combine, multinacional brasileira consolidada no setor de identidade digital e prevenção à fraude. O nome é compartilhado na primeira conversa.
Reporta a · Gerente de Engenharia responsável pela plataforma
Modelo de trabalho · Tempo integral, 100% remoto no Brasil. Quem estiver em São Paulo e puder aparecer no escritório eventualmente conta como diferencial, não como requisito.
Contrato · CLT
Remuneração · R$ 23.000 a R$ 24.000
Benefícios · PLR de 2 a 3 salários por ano, plano de saúde e odontológico, cartão de benefícios com VR e VA, plataforma de bem-estar e atividade física, vale-transporte, seguro de vida de 24 salários

Sobre a empresa

Uma companhia brasileira com décadas de mercado, atuando em identidade, documentos e meios de pagamento. A frente em que essa vaga existe é a plataforma de prevenção à fraude de identidade, uma operação recente dentro de uma empresa antiga.

O produto central do time é documentoscopia. São modelos de visão computacional que analisam documentos de identidade e decidem se são autênticos: reconhecimento visual, OCR, comparação de elementos gráficos entre documentos, classificação de tipos de documento, tudo isso combinado a uma camada de regras de negócio.

A escala é de centenas de milhares de análises de documento por dia.

Vale dizer com todas as letras, porque muda quem se interessa por essa vaga: é um ambiente de construção dentro de uma empresa grande e estabelecida. A escala de dados, a base de clientes e a estabilidade são de empresa grande. A área é nova e boa parte da prática de engenharia de ML ainda está sendo desenhada.

Sobre a oportunidade

Por que essa vaga existe

O time de machine learning dessa plataforma foi formado recentemente e chegou ao ponto em que precisa de liderança dedicada. Hoje ele responde ao gerente de engenharia da plataforma, que cuida de várias frentes ao mesmo tempo, entre engenharia, produto e ML.

Essa é a primeira liderança dedicada ao time de ML. Uma cadeira que ainda não existiu, e que por isso não vem com processo herdado nem com jeito certo de fazer as coisas já definido.

O mandato

São duas coisas ao mesmo tempo, e as duas são metade da vaga.

Construir a camada de engenharia de machine learning da área. Automação de pipelines de dados, rotinas de re-treino, versionamento e registro de modelos, e monitoramento contínuo dos modelos em produção.

Ser a referência direta de um time de três pessoas. Um a um, feedback, acompanhamento de carreira, priorização, e trazer para dentro a referência de mercado que um time pequeno não gera sozinho.

O que já existe e o que está por construir

Já existe um time enxuto, tecnicamente maduro e organizado. Eles definem e seguem os próprios padrões, cuidam da própria documentação e entregam com qualidade sem precisar de supervisão técnica próxima. Modelos deles rodam em produção, em escala, hoje.

Está por construir a camada que transforma bons modelos em uma operação de ML previsível: automação de re-treino, monitoramento contínuo de performance em produção, e a instrumentação que permite saber rapidamente se algo mudou depois de uma nova versão entrar no ar.

Esse é o maior bloco de trabalho em aberto da posição. É um trabalho de fundação e não de manutenção, o que significa liberdade real de escolha técnica para quem chegar.

O trabalho técnico

Criar e otimizar os algoritmos de aprendizado de máquina do time. Modelagem, ajuste e melhoria contínua de performance sobre modelos que já operam em produção. O trabalho é de evolução aplicada, não de pesquisa.
Colocar modelos em produção e mantê-los saudáveis lá. A ponte entre o modelo que funciona em experimento e o modelo que funciona a centenas de milhares de chamadas por dia é sua.
Automatizar pipelines de dados e rotinas de re-treino. É a frente de MLOps da área e uma das duas prioridades declaradas para essa contratação.
Construir o monitoramento de produção. Métricas de performance ao longo do tempo, acompanhamento de variação após novas versões, e a leitura contínua que orienta qual modelo atacar em seguida. Hoje isso é feito de forma pontual e há espaço para desenhar do zero.
Usar dado de produção para orientar prioridade. Com esse volume de análises, os próprios dados dizem onde estão os ganhos de acurácia mais relevantes. Transformar isso em rotina de decisão faz parte da vaga.

O trabalho de liderança

Ser a liderança direta de três pessoas. Um a um, feedback direto, acompanhamento de carreira, priorização. O time é pequeno de propósito e a régua não é a de um gestor de estrutura grande.
Trazer referência externa de mercado. É a maior lacuna apontada para essa cadeira. O time aprendeu bem, mas aprendeu dentro de casa, e falta quem traga como o mercado resolve os mesmos problemas.
Conectar o trabalho do time ao negócio. Ajudar o time a ligar o que constrói ao resultado da operação, e traduzir nos dois sentidos entre a área técnica e as áreas de produto e negócio.
Seguir mão na massa. Um time de três não comporta liderança que só coordena. Espera-se alguém que ainda abre o código.

Por que o problema é interessante

Documentoscopia é um domínio adversarial, e isso muda a natureza do trabalho. Do outro lado existe alguém tentando ativamente enganar o modelo, e as técnicas mudam.

É também um domínio de nuance visual. Documentos de identidade brasileiros foram emitidos por décadas, por dezenas de órgãos, com padrões gráficos, materiais e processos de impressão diferentes ao longo do tempo. Um mesmo tipo de documento envelhece de formas distintas. A captura chega por celular, com iluminação, superfície, ângulo e qualidade que variam a cada envio.

Ou seja: o espaço de variação legítima é enorme, e o modelo precisa separar essa variação legítima da variação que indica fraude. Não é um problema de classificação limpa, é um problema de sinal fino em ambiente ruidoso, com volume alto e consequência real para quem está do outro lado.

Para quem gosta de visão computacional aplicada, é um dos problemas mais ricos disponíveis no mercado brasileiro hoje. E o impacto é concreto: o resultado desse time é o que impede que uma identidade falsa seja aceita como verdadeira.

O que esperar

Não é uma vaga de IA generativa. Se a sua carreira nos últimos anos foi integrar LLM e orquestrar agentes, essa não é a vaga. O trabalho é machine learning clássico aplicado a visão computacional. Ter agentes e RAG na bagagem não elimina ninguém, mas não é o que está sendo contratado.
Não é uma cadeira de especialista sem gestão. A liderança de pessoas é metade do motivo pelo qual a vaga existe, e não é negociável.
Não é uma área com prática de ML já madura. Se o que você busca hoje é entrar numa estrutura pronta e padronizada para aprender com ela, existem lugares melhores. Aqui boa parte da estrutura é o que você vai construir.
Não é um cargo de vitrine. Não se espera executivo que vende projeto nem apresentação de PowerPoint. Espera-se alguém junto do time, presente e envolvido no problema.
O título registrado internamente é Coordenador. Dizemos isso de saída para não haver surpresa depois. O escopo e a senioridade são de lead de engenharia de ML, e o cargo formal na estrutura da empresa é de coordenação.

O que vem depois

A plataforma de identidade é maior do que essa frente. Existem áreas vizinhas trabalhando com biometria, prova de vida e comparação facial, e outras frentes de antifraude no horizonte da companhia.

Nada disso está sob a gestão dessa vaga hoje, e não seria honesto prometer o contrário. Mas há espaço real para influenciar essas áreas e para que a prática construída aqui se espalhe, e esse espaço tende a crescer conforme a área amadurece.

Sobre o que estamos procurando

Aqui a pessoa técnica e a pessoa que lidera são a mesma. Quem lidera bem mas não abre mais o código não atende, e quem é excelente tecnicamente mas nunca cuidou de gente também não. Não existe meio termo nesse ponto.

Requisitos obrigatórios

Cada requisito está aqui por um motivo, e o motivo está declarado.

Experiência sólida em machine learning tradicional, com modelos seus rodando em produção. Modelagem, tuning, melhoria contínua. Os modelos do time já existem e já operam em escala. O trabalho é evoluí-los, não começá-los do zero.
Ter colocado modelo em produção e cuidado dele depois. A vaga é de engenharia de machine learning e não de ciência de dados. A diferença que importa aqui é tudo o que acontece depois do deploy.
Vivência de MLOps. Containerização, versionamento e registro de modelos, orquestração, pipelines de re-treino. Não precisa ter feito tudo. Precisa ter feito algo de verdade e saber explicar por que escolheu daquele jeito.
Experiência real liderando pessoas. Não precisa ser um time grande, precisa ser real. Uma boa referência do que se espera: você consegue descrever cada pessoa que liderou, o que ela fazia, em que era boa e o que precisava desenvolver.
Comunicação aberta, direta e assertiva. A régua é honesta e é acessível: alguém com quem dá para manter uma boa conversa de bar. Dar feedback difícil sem rodeio, e falar com o time e com outras áreas sem precisar de intermediário.

Sobre stack: não há requisito fechado. Python e o ecossistema usual são o terreno, mas as ferramentas de MLOps e de monitoramento ainda serão escolhidas, e quem chegar tem espaço para propor as suas.

Diferenciais

Nenhum é eliminatório.

Visão computacional aplicada. O item mais valioso desta lista. Segmentação, classificação, OCR, fine-tuning de foundation models de visão. É o coração do produto.
Domínio adversarial: antifraude, KYC, biometria, análise documental, risco. Encurta bastante a curva de contexto, porque o tipo de raciocínio já é familiar.
Ter construído prática de ML do zero em algum momento. É boa parte do que essa pessoa vai fazer no primeiro ano.
Ter atuado em contexto enxuto. Times pequenos exigem alguém que ainda entregue enquanto lidera. Quem só operou com estrutura grande em volta costuma sentir a diferença.
Ter feito a ponte entre time técnico e área de negócio. Faz parte explícita do mandato dessa cadeira.

Sobre o processo seletivo

Screening Combine (45 min) com João Benedetto, recruiter da Combine. Cobre: trajetória, histórico técnico e de liderança, expectativas dos dois lados. É nessa conversa que o nome da empresa é compartilhado.
Primeira conversa com o gestor da área (40 a 45 min). Cobre: trajetória recente, stack e projetos, contexto do time e da posição. É uma conversa, não uma sabatina.
Segunda conversa com o gestor (45 min). Cobre: liderança, gestão de pessoas e cenários de time. Perguntas de situação real, do tipo o que você faria e como abordaria.
Conversa com uma liderança técnica adicional da empresa, quando aplicável. Nem todo candidato passa por esta etapa.
Proposta.

Coordenador / Lead de Engenharia de Machine Learning