高级机器学习工程师
Machine Learning Engineer Sr
Leega 是一家专注于为客户提供高效且创新服务的公司。
这对我们最重要的燃料：人才来说，也毫不例外！
我们的文化充满激励，我们的价值观体现在日常工作中：伦理与透明、质量卓越、团队合作、经济、社会和环境责任、人际关系和可信度。
我们寻找富有创新精神、勇于面对挑战并注重结果的专业人士。
如果您正在寻找一家充满活力、值得信赖并不断投资于员工发展的公司，那么 Leega 就是您的理想之选！
>> Leega 属于每个人，我们非常高兴能有您加入我们的团队。来加入我们的故事，共同创造我们的未来吧！
立即在我们的职位中注册！
关于这个机会
您将负责将原型连接到生产环境。您将设计并构建 ML 的工程架构——推理服务、训练流水线和特征工程，使复杂模型能够在 Ray 上实时运行，延迟极低。专注于 ML 模型和代码；平台和运行时由 MLOps/平台团队负责，您将与他们并肩协作。
您的挑战
- 推理服务 —— 在 Ray Serve 上设计串联模型的流水线 —— 模型组合、低延迟和更新策略。
- 分布式训练 —— 构建训练流水线（Ray Train/Data）、超参数优化（Ray Tune）以及按租户训练的模型，具备可靠的检查点功能。
- 特征工程 —— 在特征存储（Feast/Redis）中定义和实现特征，确保训练和生产的一致性。
- 优化与强化学习 —— 实现并优化价格管道中的优化组件（线性规划）和离线强化学习。
- 模型质量 —— 从建模角度监控漂移，验证版本并生成可解释性（SHAP）——与 MLOps 合作完成。
- 技术领导力 —— 成为团队的参考标准，指导并与其他成员一起确定可行且可扩展的方案。
您会与数据科学家进行交接，接收数据工程师的数据，并将结果交付给 MLOps/平台团队进行部署和运营。
技术栈与工具
- ML 服务与训练：Ray（Serve, Train, Tune, Data, RLlib）
- 注册与特征：MLflow, Feast + Redis
- 优化：线性规划（Gurobi, HiGHS），离线强化学习
- 语言与运行时：Python；Docker；读取 Iceberg 数据
查看英文原文
A Leega é uma empresa focada no atendimento eficiente e inovador em seus clientes.
Isso não poderia ser diferente com o nosso principal combustível: as pessoas!
Nossa cultura é inspiradora e nossos valores estão presentes no dia a dia: ética e transparência, excelência de qualidade, trabalho em equipe, responsabilidade econômica, social e ambiental, relações humanas e credibilidade.
Buscamos profissionais inovadores que sejam movidos por desafios e focados em resultados.
Se você busca uma empresa dinâmica e parceira e que investe em seus colaboradores através de capacitação constante, a Leega é o lugar para você!
>> A LEEGA É PARA TODOS, ficaremos muito felizes em ter você em nosso time. Venha fazer parte da nossa história e da construção do nosso futuro.
Cadastre-se agora mesmo em nossas vagas!
Sobre a oportunidade
Você é quem conecta o protótipo à produção. Vai desenhar e construir a engenharia de ML do motor de precificação — o serving de inferência, os pipelines de treino e a engenharia de features — para que modelos complexos rodem em tempo real, com baixa latência, sobre Ray. Foca na modelagem e no código de ML; a plataforma e o runtime ficam com o time de MLOps/Plataforma, com quem você trabalha lado a lado.
Seus Desafios
- Serving de inferência —desenhar o pipeline de modelos encadeados sobre Ray Serve — composição de modelos, baixa latência e estratégias de atualização.
- Treino distribuído —construir pipelines de treino (Ray Train/Data), HPO (Ray Tune) e modelos treinados por tenant, com checkpointing resiliente.
- Engenharia de features —definir e materializar features no feature store (Feast/Redis), garantindo consistência entre treino e produção.
- Otimização e RL —implementar e otimizar os componentes de otimização (programação linear) e de RL offline do pipeline de preço.
- Qualidade do modelo —monitorar drift do ponto de vista de modelagem, validar versões e produzir explicabilidade (SHAP) — em parceria com MLOps.
- Liderança técnica —atuar como referência, mentorar e definir, com o time, o que é viável e escalável.
Você faz o handoff com os cientistas de dados, recebe dados dos data engineers e entrega ao time de MLOps/Plataforma para deploy e operação.
Stack & Ferramentas
- ML serving & treino:Ray (Serve, Train, Tune, Data, RLlib)
- Registry & features:MLflow, Feast + Redis
- Otimização:programação linear (Gurobi, HiGHS), RL offline
- Linguagem & runtime:Python; Docker; leitura de Iceberg
O que Buscamos
Essenciais
- Experiência comprovada colocando modelos de ML em produção.
- Python e fundamentos sólidos de Engenharia de Software (APIs, testes, código limpo).
- Serving e otimização de inferência para baixa latência.
- Familiaridade com containers (Docker) e com fluxos de MLOps (registry, deploy).
- Conforto com desenvolvimento assistido por IA (Claude Code).
Diferenciais
- Ecossistema Ray (Serve, Train, Tune, RLlib) — forte diferencial.
- Feature stores (Feast) e serving de baixa latência com Redis em escala.
- Otimização/solvers (Gurobi, HiGHS) ou revenue management em tempo real; RL offline.
- Serving de IA generativa (vLLM, LiteLLM) e arquiteturas multi-tenant.
Informações adicionais
- Trabalho Remoto
- Tempo de Projeto:6 meses, com possibilidade de extensão/internalização.
Originally posted on Himalayas