MLOps: 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 MLOps — entrada típica: 1) DevOps / SRE Pleno + interesse em ML, 2) ML Engineer Pleno + interesse em infra, 3) Backend Sênior + conhecimento de ML (via cursos). Salto Júnior → Pleno — depois da primeira implantação de plataforma de ML de ponta a ponta (Feature Store + Model Registry + stack de Serving + Monitoramento). Pleno → Sênior — propriedade de plataforma multi-time + otimização de custo (mandato típico: redução de 30-50% nos custos de computação via quantização + cache + spot instances). Sênior → Staff / Principal — arquitetura de plataforma de ML para organização multiproduto + estratégia de integração com times de DevOps / SRE / Data Platform. Fluxo de carreira: DevOps Pleno / ML Engineer Pleno → Junior MLOps (1-2 anos) → Pleno (2-3 anos) → Sênior → ou Staff / Principal MLOps (profundo), MLOps Tech Lead (gestão), ou Founder numa startup de plataforma de ML.

Top 5: mlops, ci/cd, aws, cloud, docker. Python (principal — para infraestrutura customizada), Go bônus (para componentes de infra performance-critical — ex.: serving proxies). Domínio de Docker (multi-stage builds para imagens de ML otimizadas, containers de GPU). Domínio de Kubernetes (padrão de produção para ML serving — Deployment / StatefulSet / DaemonSet / Job / CronJob, RBAC, Network Policies, Resource Quotas, HPA / VPA / Cluster Autoscaler). GPU operator (NVIDIA GPU Operator para GPU scheduling em K8s). Operators de K8s para ML: Kubeflow Training Operator + Spark Operator + Argo Workflows. Helm + Kustomize + ArgoCD / FluxCD — padrão de GitOps. Terraform / Pulumi / CloudFormation (IaC para ML cloud-managed — recursos AWS / GCP / Azure). Domínio de MLflow (padrão open-source para model registry + tracking — o Senior é dono da customização de MLflow Plugins). Kubeflow + Kubeflow Pipelines (orquestração de ML K8s-native — grande enterprise frequentemente exige). Orquestradores de workflow: Airflow + Prefect + Dagster (um a fundo — Dagster em ascensão 2026). Feature stores: Feast (open-source) ou Tecton (gerenciado) — obrigatório para Senior MLOps. Model serving: Triton Inference Server (NVIDIA — multi-framework + dynamic batching) + BentoML (Python-friendly) + TorchServe + KServe (serving K8s-native). Serving específico de LLM: vLLM (PagedAttention — recorde para LLM serving de alto throughput), Text Generation Inference (TGI) da Hugging Face, SGLang (modelo de programação para LLM serving + caching), Ollama (LLM serving local). Observabilidade: Prometheus + Grafana + Loki + OpenTelemetry. ML monitoring + drift detection: Evidently AI + WhyLabs + Arize AI + Fiddler (um a fundo). Data version control: DVC + LakeFS. ML cloud-managed: um de AWS SageMaker / GCP Vertex AI / Azure ML / Databricks a fundo. Plataformas de compute distribuído: domínio de Spark + Ray. Otimização de custo: estratégia de spot instances, compartilhamento de GPU (NVIDIA MIG), integração de quantização, estratégias de caching (Redis para resultados de inferência), análise de custo de inferência batch vs real-time.

DevOps Engineer — foco em infraestrutura geral de aplicações (CI/CD + monitoramento + nuvem + Kubernetes + IaC). Stack: Docker / K8s / Terraform / Prometheus / Grafana / Ansible / Jenkins / GitHub Actions / nuvem (AWS / GCP / Azure). Veja DevOps Engineer (geral) (quando a página for publicada). Platform Engineer — DevOps + foco em ferramentas internas. Constrói uma plataforma para os engenheiros (gestão de clusters K8s + ArgoCD + IDP — Internal Developer Platform — Backstage / Port / Cortex). MLOps Engineer (esta página) — DevOps + foco específico em ML. Constrói uma plataforma de ML para times de DS / ML Engineer / Pesquisa. Além do stack de DevOps: MLflow / Kubeflow / Feature Stores / Model Serving (Triton / vLLM) / Monitoramento de ML (Evidently / WhyLabs) / ML gerenciado na nuvem (SageMaker / Vertex AI). ML Platform Engineer — MLOps Sênior com foco em plataforma reutilizável como produto (para toda a organização, não para um único time). Sobreposição de carreira: DevOps Pleno → MLOps Júnior — 6-12 meses (aprender stack de ML + Kubeflow / MLflow + ML gerenciado na nuvem). MLOps Sênior ↔ Platform Engineer Sênior — transição lateral fácil (muito stack em comum). ML Engineer Pleno → MLOps Júnior — 4-8 meses (já conhece o stack de ML, precisa aprofundar Kubernetes + Terraform + observabilidade). DevOps → MLOps — transição mais distante que a de Platform Engineer (lacuna de conhecimento em ML).

Árvore de decisão para a escolha de plataforma de ML 2026: 1) MLflow (open-source, neutro em relação a fornecedores) — o melhor para rastreamento de experimentos + model registry + implantação simples. Leve. Self-hosted ou gerenciado (Databricks). Caso de uso: base da plataforma de ML para a maioria das organizações. Padrão em 2026 para rastreamento de ML no nível da equipe. 2) Kubeflow + Kubeflow Pipelines (open-source, nativo de Kubernetes) — o melhor para grandes empresas K8s-first que querem um stack completo de plataforma de ML sem dependência de fornecedor. Setup mais pesado. Inclui: Pipelines (workflow) + Training Operator (treinamento distribuído) + Serving (KFServing → KServe) + Notebooks. Caso de uso: grande empresa + equipe madura em Kubernetes + requisito multi-cloud / on-prem. 3) AWS SageMaker (gerenciado) — o melhor para organizações nativas da AWS. Abrangente: SageMaker Studio (IDE) + Training Jobs + Hyperparameter Tuning + Pipelines + Endpoints (tempo real + batch) + Model Registry + Feature Store + Clarify (detecção de viés). Dependência da AWS. Caso de uso: organização AWS-first + equipe de ML pequena — compensa graças à quantidade de recursos em uma só plataforma. Caro em escala. 4) GCP Vertex AI (gerenciado) — o equivalente do Google ao SageMaker. Forte em: Vertex AI Workbench (Jupyter na nuvem), Pipelines (baseado em Kubeflow — portátil), AutoML, acesso a TPU (para pesquisa / grandes treinamentos), Model Garden (modelos pré-treinados). Caso de uso: organização GCP-first + a portabilidade do Kubeflow importa. 5) Azure ML (gerenciado) — o equivalente do Azure. Forte em: Designer (construtor visual de pipelines de ML), AutoML, recursos de MLOps, integração nativa com o Azure. Caso de uso: organização Azure / Microsoft-first. 6) Databricks (gerenciado, multi-cloud) — o melhor para workloads de ML Spark-first + Lakehouse. Criadores do MLflow. Preço premium. Caso de uso: organizações intensivas em dados com padrão Spark / Lakehouse. 7) Plataformas especializadas: Weights & Biases (melhor UX para rastreamento de experimentos — favorita da pesquisa), Comet (alternativa ao W&B), Neptune, Determined AI (plataforma de treinamento distribuído), Run:AI (orquestração de GPUs — adquirida pela NVIDIA), Truefoundry + Bento (serving moderno de modelos). Padrão 2026 para uma nova equipe de ML: MLflow self-hosted (ou Databricks gerenciado se for intensivo em Spark) + serving em Kubernetes (Triton / vLLM) + Feast (feature store) + Prometheus + Grafana + Evidently AI. Padrão para empresa nativa da AWS: SageMaker (se o custo for aceitável + equipe pequena) ou MLflow no EKS + serviços customizados (mais barato em escala). Padrão para empresa madura em Kubernetes: Kubeflow + MLflow.

Sim, 28% das vagas de MLOps são totalmente remotas ou híbridas. O trabalho de MLOps é baseado em nuvem (toda a infraestrutura em K8s em nuvem / managed services). Empresas de outsourcing (EPAM AI Platform / Luxoft / Andersen) — quase sempre remotas em projetos de IA dos EUA. Empresas de produto russas — híbrido ou remoto após o período de experiência. Bancos russos (Sber AI banking / VTB) — híbrido/presencial por causa de compliance de segurança. Empresas internacionais de ML-platform (Truefoundry / Bento / Weights & Biases / Comet / Domino Data Lab / Determined AI / Run:AI) — totalmente remoto padrão. Big Tech ML Platform — híbrido padrão, em parte remoto. Hubs de relocação para MLOps: Polônia (Varsóvia / Cracóvia — AI Platform-friendly), Alemanha (Berlim / Munique), Canadá (Toronto), Sérvia, Geórgia, EAU. Inglês para remoto internacional de MLOps — obrigatório (prêmio +30-50%, e o MLOps envolve colaboração intensiva cross-team em inglês).

MLOps Engineer (general) — can work in any ML team (product team / research lab / AI consultancy). Stack: universal MLOps. ML Platform Engineer — Senior MLOps with focus on reusable platform-as-product for the whole organisation (not for a single team). On top of that: internal API design (for other ML Engineers / DS), self-service tools (templates / scaffolding / CLI tools — like generate-new-model-project), SLA management for platform components (uptime / latency / throughput targets), cost-chargeback systems (per-team compute usage tracking + billing), onboarding documentation + training programmes for other ML team members, backwards-compatibility management for shared platform components, open-source contribution to platform components (e.g. Feast / Kubeflow contributions). Staff / Principal MLOps — even higher, typically managing an ML platform team (3-7 MLOps engineers + integrations with DevOps / SRE / Data Platform leads). Career choice: MLOps Engineer if you like being hands-on with a new problem every day, ML Platform Engineer if you like building reusable systems and working with multiple consumer teams. All three are legitimate Senior+ paths.

Roadmap: 1) Base de DevOps forte — Linux + networking + domínio de bash, domínio de Docker (builds multi-stage + otimização de layers + varredura de segurança), domínio profundo de Kubernetes (Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA + noções de CRDs customizados). Livros: "Kubernetes in Action" Lukša, "The Kubernetes Book" Poulton. 2) Domínio de IaC: Terraform a fundo (modules / state management / workspaces) + entendimento de padrões específicos de provedor cloud. Curso HashiCorp Learn (gratuito). Padrões de GitOps com ArgoCD / FluxCD. 4) Plataforma cloud a fundo — escolha um de AWS / GCP / Azure e passe na certificação Solutions Architect Associate / Professional. 5) Noções de ML — mínimo: Python + pandas + scikit-learn + PyTorch (noções) + entender loops de treinamento / inferência. Curso fast.ai "Practical Deep Learning" Part 1. "Designing Machine Learning Systems" Chip Huyen — leitura obrigatória de MLOps 2026 (para entender o workflow de ML do treinamento ao deployment). 6) Experiment tracking + model registry: domínio profundo de MLflow (Tracking + Registry + Projects + Models). Configure um MLflow self-hosted no EKS / GKE / AKS. 7) Stack de serving de ML: Triton Inference Server (multi-framework + dynamic batching) + BentoML + KServe. Serving de LLM: domínio de vLLM (PagedAttention + continuous batching) + TGI + SGLang. 8) Feature Store: Feast (open-source) — configure ponta a ponta em um projeto de teste (offline + online + retrieval). 9) Orquestração: um de Airflow / Prefect / Dagster + noções de Kubeflow Pipelines. 10) Monitoramento de ML: Evidently AI (detecção de drift + qualidade de dados) + WhyLabs ou Arize AI ou Fiddler — um a fundo. 11) Pet project: deployment completo de plataforma de ML (cluster K8s + MLflow + Feast + Triton + Prometheus + Grafana + Evidently AI) com ciclo de vida de modelo simples (treinar → registrar → deploy → monitorar → retreinar). Documente no README do GitHub. 12) Contribuição para open-source — Feast / Kubeflow / MLflow / vLLM / Triton — aumenta drasticamente o valor do currículo de MLOps. Cursos russos: Karpov.Courses "MLOps", Otus "MLOps", SkillFactory track MLOps, Slurm MLOps intensive. Internacional (EN): curso "Made with ML" MLOps Goku Mohandas (gratuito, abrangente), Hugging Face MLOps course, Coursera "MLOps Specialization" DeepLearning.AI, Databricks Academy MLOps. Livros de leitura obrigatória: "Designing Machine Learning Systems" Chip Huyen, "Machine Learning Design Patterns" Lakshmanan, "Reliable Machine Learning" Cathy Chen. DevOps Middle / ML Engineer Middle → Junior MLOps — 4-10 meses. Backend Senior → Junior MLOps — 8-14 meses (precisa aprender a stack de ML).

207 active open MLOps positions — growing ML-infrastructure niche. Geography: the US, Poland, the UK. The real market is broader thanks to the international remote segment (ML-platform companies — Truefoundry / Bento / W&B / Comet / Determined AI / Domino Data Lab + AI-startup MLOps teams — full-remote standard). Time to close a Senior MLOps role — 5-10 weeks (faster than Research, slower than DevOps general due to rare ML-skill combination). MLOps — the most "recession-resistant" AI/ML niche (companies cut research first, MLOps continuously needed for production).

Um MLOps Sênior é dono do ciclo completo de engenharia de plataformas de ML + liderança técnica. Domínio de programação: Python a fundo + Go como bônus para infraestrutura crítica de desempenho. Domínio de Docker: builds multi-stage, otimização de camadas, contêineres com GPU, varredura de segurança (Trivy / Snyk). Domínio profundo de Kubernetes: Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA / VPA / Cluster Autoscaler, noções de CRDs personalizados, GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows. Domínio de IaC: Terraform a fundo (módulos / state / workspaces), Pulumi / CloudFormation como bônus. Domínio de GitOps: ArgoCD / FluxCD + padrões de Kustomize / Helm. Plataforma de nuvem a fundo: uma entre AWS / GCP / Azure no nível de Solutions Architect Professional. Domínio de MLflow: personalização profunda + plugins + padrões de multitenancy. Kubeflow Pipelines: deploy em escala corporativa + componentes personalizados + multitenancy. Domínio de Feature Store: Feast a fundo (offline + online + recuperação + monitoramento + multitenancy) ou Tecton (gerenciado). Domínio de serving de modelos: Triton Inference Server a fundo (ensembles + batching dinâmico + repositórios de modelos) + BentoML + KServe. Domínio de serving de LLMs (2026 obrigatório): vLLM a fundo (PagedAttention + continuous batching + speculative decoding + otimização de KV cache) + TGI + SGLang + Ollama. Plataformas de computação distribuída: domínio de Spark + Ray (Spark Operator em K8s, Ray Train + Ray Serve). Observabilidade a fundo: Prometheus + Grafana + Loki + OpenTelemetry + métricas personalizadas + estratégias de alertas. Monitoramento de ML: padrões de integração com Evidently AI + WhyLabs / Arize AI / Fiddler. Domínio de otimização de custos: estratégia de instâncias spot + compartilhamento de GPU (NVIDIA MIG) + integração de quantização (INT8 / FP16 / FP4) + estratégias de cache (Redis para resultados de inferência) + análise de custo entre inferência em lote e em tempo real + planejamento de instâncias reservadas. Mandato típico de MLOps Sênior: redução de 30-50% nos custos de computação combinando essas técnicas. Domínio de segurança: gestão de segredos (Vault / KMS da nuvem), network policies, segurança da cadeia de suprimentos (imagens assinadas), privacidade de dados (tratamento de PII em pipelines de ML). System design para plataformas de ML: projetar plataformas de ML no quadro branco na escala de 100M+ previsões/dia + multitenant + multirregião. Soft skills: escrita de ADRs para decisões de plataforma, redação técnica (documentação da plataforma + materiais de onboarding), code review para vários times, mentoria de MLOps Pleno, colaboração entre times (DevOps / SRE / Data Platform / ML Engineer / DS / Research). Inglês para Sênior+ OBRIGATÓRIO — MLOps envolve trabalho intenso entre times em inglês. Bônus opcional: contribuições open-source para Feast / Kubeflow / MLflow / vLLM / Triton — aumentam muito o valor de mercado para laboratórios de IA de fronteira + empresas de plataformas de ML.