Engenheiro(a) de Dados - Machine Learning

IBM

Híbrido Mid Level São Paulo, Distrito Federal, Pará, Pernambuco, Maranhão, Espírito Santo, Rio de Janeiro, Rio Grande do Sul, Paraná, Minas Gerais, Bahia, Santa Catarina, Ceará ou Amazonas 13 Jul 2026
Candidatar-se →

Tecnologias

Python FastAPI LangChain Java Spring Boot Docker Kubernetes Azure AI Search

Sobre a vaga

A IBM busca uma pessoa Engenheira de Dados de nível pleno para atuar com Machine Learning em modelo híbrido no Brasil.

A posição envolve desenvolvimento de soluções com Python, FastAPI, LangChain, LangGraph e integração com bancos vetoriais e ferramentas de IA.

Responsabilidades

  • Desenvolver e manter pipelines, APIs e componentes de dados para aplicações de Machine Learning.
  • Trabalhar com soluções baseadas em LLMs, agentes e busca vetorial.
  • Integrar serviços usando Python, FastAPI, Java e Spring Boot.
  • Apoiar a implantação e operação de aplicações com Docker e Kubernetes.
  • Colaborar com times técnicos em arquiteturas envolvendo MCP e comunicação Agent-to-Agent.

Requisitos

  • Experiência em Engenharia de Dados ou desenvolvimento backend em nível pleno.
  • Conhecimento em Python e FastAPI.
  • Experiência ou familiaridade com Machine Learning e aplicações com LLMs.
  • Conhecimento em LangChain ou LangGraph.
  • Experiência com bancos vetoriais ou mecanismos de busca, como Azure AI Search, Pinecone, Weaviate, Qdrant, Milvus ou pgvector.
  • Conhecimento em Docker e Kubernetes.

Diferenciais

  • Experiência com Java e Spring Boot.
  • Conhecimento em MCP (Model Context Protocol) e A2A (Agent-to-Agent).
  • Vivência em ambientes corporativos de grande escala.

Local de trabalho

Modelo híbrido, com possibilidade de atuação em São Paulo, Distrito Federal, Pará, Pernambuco, Maranhão, Espírito Santo, Rio de Janeiro, Rio Grande do Sul, Paraná, Minas Gerais, Bahia, Santa Catarina, Ceará ou Amazonas.

Interessado nesta vaga?

Candidate-se agora e dê o próximo passo na sua carreira Python.

Candidatar-se →

Sobre a IBM

Ver todas as vagas