Engenheiro de ML: mercado

Vaga

uma vaga aberta que passou pelo filtro de qualidade e lista pelo menos duas tecnologias

Candidato observado

um candidato cujo stack contém esta tecnologia; um agregado — nenhum registro individual sai do perímetro

Candidato compatível

ainda não contado

Janela

vagas abertas no momento em que o snapshot foi gerado

Junior ML Engineer — raro (o mercado começa com Data Analyst ou Backend → ML). O salto Júnior → Pleno — depois de dominar o primeiro pipeline de ML em produção de ponta a ponta (feature engineering → treinamento → deploy → monitoramento). Pleno → Sênior — propriedade multi-pipeline + experiência com LLM/RAG + escalonamento de treinamento distribuído + otimização de custo. Sênior → Staff/Principal — arquitetura de plataforma de ML, estratégia de ML multi-time. Fluxo de carreira: Data Analyst (1-2 anos) → Junior ML Engineer (1-2 anos) → Pleno (2-3 anos) → Sênior → ou Staff ML Engineer (técnico profundo), ML Tech Lead (gestão), um movimento para Research (trilha de PhD), ou ML Founder/CTO numa startup.

Top 5: python, cloud, pytorch, llm, aws. Python é o monopólio (R quase não aparece em ML de produção 2026). Frameworks de Deep Learning: PyTorch domina 2026 (70%+ de produção), TensorFlow legacy + ainda grande em enterprise, JAX para edge cases de pesquisa. ML clássico: scikit-learn + XGBoost + LightGBM + CatBoost — base, obrigatório para dados tabulares. Manipulação de dados: pandas + NumPy + Polars (moderno, em ascensão 2026 — 10-100× mais rápido), PyArrow para dados cross-framework. Computer Vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Experiment tracking: MLflow (padrão open-source) ou Weights & Biases (UI premium) ou Neptune. Data version control: DVC. Orquestração: Airflow + Prefect + Dagster (um a fundo). Deployment: domínio de Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (um a fundo). Inferência cross-framework: ONNX. Feature stores: Feast (open-source) ou Tecton (gerenciado). Compute distribuído: Spark + Ray + Dask. ML cloud-managed: AWS SageMaker / GCP Vertex AI / Azure ML (um a fundo). Extras de Senior: quantization (quantização do PyTorch, bitsandbytes), distillation, fine-tuning LoRA/QLoRA, vLLM/TGI/SGLang para LLM serving, Optuna para hyperparameter tuning.

Data Scientist — foco na formulação de problemas de negócio + modelagem estatística + testes A/B + comunicação de insights. Stack: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Menos carregado de infraestrutura. Veja Data Scientist. ML Engineer (esta página) — foco em pipelines de ML em produção + implantação + escalabilidade. Stack como o de DS + Docker/K8s + MLflow + Airflow + ML gerenciado na nuvem. Research Engineer / Scientist — foco em novos modelos, papers, arquiteturas inéditas. Muitas vezes trilha de PhD. Stack: PyTorch a fundo + JAX + infraestrutura intensa em experimentos. Veja Research Engineer / Scientist. MLOps Engineer — foco na infraestrutura da plataforma de ML (feature stores, model registry, monitoramento, observabilidade, otimização de custos). Stack: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + nuvem. Veja MLOps Engineer. Mudança de carreira ML Engineer ↔ DS — 1-3 meses. ML Engineer ↔ MLOps — 2-4 meses (se houver base de K8s). O caminho de pesquisa exige PhD ou 3+ anos de especialização profunda.

Stack para ML em produção de referência 2026: 1) Ingestão de dados — Airflow/Prefect/Dagster puxa dados brutos dos sistemas de origem (DB/Kafka/S3). 2) Feature engineering — Spark/Pandas/Polars transforma → Feature Store (Feast ou Tecton — armazenamento centralizado, correção point-in-time, serving online+offline). 3) Experimentação — Jupyter + tracking W&B/MLflow + DVC para versionamento de dados + Optuna para busca de hiperparâmetros. 4) Treinamento — Ray Train ou PyTorch Lightning + distribuído (multi-GPU/multi-node), checkpointing em S3/GCS, quantização (INT8/FP16) para custo de inferência. 5) Model registry — MLflow Model Registry ou SageMaker Model Registry (versionamento + estágios: staging/production/archived). 6) Validação — testes automatizados (data drift, qualidade de predição), shadow deployment, configuração de teste A/B. 7) Serving — Triton Inference Server (NVIDIA, multi-framework + dynamic batching) ou BentoML ou TorchServe ou vLLM (para LLM). Wrapper FastAPI para o contrato de API. 8) Deployment — Kubernetes (padrão de produção) + Helm + ArgoCD para GitOps. 9) Monitoramento — Prometheus + Grafana (latência/throughput/taxa de erro) + detecção de drift customizada (Evidently AI/WhyLabs) + dashboards de custo. 10) Loop de feedback — logar predições + ground truth → gatilho de retreinamento. Plataforma de ML para toda a organização — Kubeflow ou Metaflow ou SageMaker Pipelines. Stack específica de LLM: vLLM/TGI/SGLang para serving + prompt engineering (LangChain/LlamaIndex) + RAG (vector DBs Pinecone/Weaviate/Qdrant) + fine-tuning via LoRA/QLoRA + avaliação (RAGAS, DeepEval, benchmarks customizados).

Sim, 30% das vagas de ML Engineer são totalmente remotas ou híbridas. ML em produção é trabalho baseado em nuvem (treinamento em GPUs em nuvem, serving em Kubernetes, dados no warehouse). Empresas de outsourcing (EPAM AI Practice / Luxoft AI) — quase sempre remotas em projetos de IA dos EUA. Empresas de produto russas — híbrido ou remoto após o período de experiência, exceções para ML sensível à segurança (Sber AI banking). Bancos (Sber AI / VTB) — híbrido/presencial por causa de compliance. Empresas de IA internacionais — totalmente remoto padrão, faixas premium. Hubs de relocação: Polônia (Varsóvia/Cracóvia — AI-friendly), Alemanha (cluster de IA de Berlim), Canadá (Toronto — Vector Institute), Israel (cluster de IA de Tel Aviv), Sérvia, Geórgia, EAU (Dubai — AI tax-friendly). Inglês para remoto internacional de IA — obrigatório (prêmio +30-50%).

ML Engineer (geral) — pode atuar em qualquer domínio de ML (recsys, NLP, CV, detecção de fraude, ranqueamento). O stack é universal. Applied ML Engineer — foco em uma tarefa específica de ML do produto + responsabilidade por métricas de negócio (CTR, conversão, aumento de receita). O stack é o mesmo, mas soma-se pensamento de produto + domínio de testes A/B + comunicação com stakeholders. Remuneração comparável (mediana), mas em empresas de produto o Applied ML costuma ser um pouco mais alto no nível Sênior graças à responsabilidade pelo impacto no negócio. ML Platform Engineer (um subnicho separado — mais próximo de MLOps) — constrói infraestrutura para outros ML Engineers (Feature Store, infraestrutura de MLflow, plataforma de treinamento). Escolha de carreira: ML Engineer se universalidade e portabilidade importam mais, Applied ML Engineer se o impacto no produto é o que interessa, ML Platform Engineer se infraestrutura e ferramentas. Os três são caminhos legítimos para Sênior+, nenhum é melhor ou pior.

Roadmap: 1) Python a fundo até o nível Backend Middle (clean code, design patterns, async). Livros: "Fluent Python" Ramalho, "Effective Python" Slatkin. 2) Matemática — álgebra linear + cálculo + probabilidade/estatística no nível de "entender o que está por trás do backprop". MIT 18.06 Linear Algebra (Strang), 3Blue1Brown "Essence of Linear Algebra". 3) ML clássico — domínio de scikit-learn + XGBoost + LightGBM. Andrew Ng "Machine Learning Specialization" (Coursera). Livro "Hands-On Machine Learning" Géron (leitura obrigatória 2026). 4) Deep Learning — PyTorch a fundo (forward/backward/optimizers/training loops do zero). "Deep Learning Specialization" Andrew Ng. "Deep Learning with PyTorch" Stevens. 5) Track NLP/LLM: curso da Hugging Face (gratuito) → fine-tuning de LLMs pequenos (Mistral 7B/Llama 3 8B) com LoRA/QLoRA → construa uma aplicação RAG com LangChain + Qdrant. 6) Track de Computer Vision (alternativa): torchvision + Detectron2 + Ultralytics YOLO + treinamento com dataset customizado. 7) Noções de MLOps: MLflow + DVC + Airflow + Docker + Kubernetes para serving de ML. "Designing Machine Learning Systems" Chip Huyen — leitura obrigatória para ML em produção. 8) ML em cloud: um de AWS SageMaker / GCP Vertex AI / Azure ML — faça um tutorial e2e. 9) Treinamento distribuído: Ray Train + PyTorch DDP. 10) Pet project: sistema de ML e2e completo (pipeline de dados + feature store + treinamento + tracking MLflow + deployment em Kubernetes + monitoramento) em um dataset aberto (Kaggle). Internacional (EN): fast.ai "Practical Deep Learning", Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Livros clássicos: "Pattern Recognition and Machine Learning" Bishop, "The Hundred-Page Machine Learning Book" Burkov. Conferências: NeurIPS, ICML, ICLR (papers — leitura obrigatória para Senior). Data Analyst ou Backend Middle → ML Engineer Junior — 8-14 meses.

2082 active open ML Engineer positions — the largest ML/AI segment. Geography: the US, the UK, Poland. Sources: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (huge international AI segment), NoFluffJobs/JustJoin.it (Poland — AI-friendly), Telegram, career pages of EPAM AI / Luxoft AI / Andersen AI, specialised boards (aijobs.net, ai-jobs.net, builtin.com/jobs/ai, jobs.lever.co for AI startups), Y Combinator Work at a Startup. The real market is broader thanks to a huge international remote segment. Time to close a Senior ML Engineer role — 6-12 weeks (longer than Backend thanks to rare-skill combination).

Um ML Engineer Sênior é dono do ciclo completo de ML em produção + liderança técnica. Domínio de programação: Python no nível de Backend Sênior (código limpo, async, profiling, otimização de memória). Fundamentos matemáticos: álgebra linear + cálculo + probabilidade no nível de "ler artigos sem travar". Domínio de ML clássico: feature engineering profunda, justificativa da escolha de modelos, calibração, trade-offs entre métricas de avaliação, design de modelos alinhado ao negócio. Domínio de Deep Learning: PyTorch a fundo (Layers/Modules/Optimizers personalizados), treinamento distribuído (DDP, FSDP), precisão mista, quantização (INT8/FP16), destilação, exportação para ONNX. Domínio de LLMs (2026 obrigatório para Sênior): fine-tuning via LoRA/QLoRA, engenharia de prompts, arquitetura RAG (bancos vetoriais Pinecone/Weaviate/Qdrant), avaliação (RAGAS, DeepEval), vLLM/TGI/SGLang para serving. MLOps: domínio de MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), domínio de Docker + Kubernetes para serving de ML, Helm + ArgoCD. ML em nuvem: uma entre AWS SageMaker / GCP Vertex AI / Azure ML a fundo. Computação distribuída: domínio de Ray + Spark. Monitoramento: integração de Prometheus + Grafana + Evidently AI (detecção de drift). Otimização de custos: utilização de GPU, dimensionamento de lotes, quantização de modelos, estratégias de cache. System design para ML: projetar sistemas de ML no quadro branco na escala de 100M+ usuários (sistemas de recomendação / antifraude / ranqueamento / chatbot). Soft skills: leitura de artigos (NeurIPS / ICML / ICLR), redação técnica (ADRs, documentos de design), code review para vários times, mentoria de ML Engineers Pleno, comunicação com times de produto/dados/backend, design de testes A/B + análise estatística. Inglês para Sênior+ OBRIGATÓRIO — a comunidade e os artigos de ML/IA são em inglês. Bônus: contribuições open-source (PyTorch / Hugging Face / LangChain) — aumentam muito o valor de mercado.