Descrição da vaga
Novas tecnologias surgem constantemente e exigem das empresas velocidade e agilidade para se manterem competitivas. E a ITIX está no mercado para permitir que seus clientes evoluam por meio da tecnologia. Mais do que uma software house com uma cultura dinâmica, somos uma transformadora de negócios. E, se você também está em busca de constante evolução, tem lugar para você no time Itix. Já somos mais de 200 pessoas unidas com esse objetivo.
Confira as nossas vagas abertas.
VEM PRA CÁ, SEJA ITIX!
/n
São requisitos
obrigatórios
:
- Python avançado e APIs REST (FastAPI ou similar);
- Experiência prática com LLMs em produção: prompt engineering, saída estruturada em JSON Schema, function calling e técnicas anti-alucinação;
- Experiência comprovada com RAG: embeddings, bancos vetoriais (pgvector, Vertex AI Vector Search, Pinecone, Qdrant ou similar), chunking, reranking e avaliação de recuperação;
- Experiência com modelos multimodais (preferencialmente Gemini) e OCR/visão sobre documentos e imagens;
- Metodologia de avaliação de LLM: golden sets, métricas de acurácia/precisão/recall e testes de regressão;
- Noções de Databricks (notebooks, MLflow, Delta Lake) e AWS para colaborar com a engenharia de dados.
- Git, boas práticas de código e testes automatizados.
São requisitos
desejáveis/diferenciais
:
- Google Cloud / Vertex AI (Gemini API);
- Frameworks de orquestração (LangChain, LlamaIndex, LangGraph) e ferramentas de avaliação (Ragas, DeepEval, LangSmith ou similar);
- Experiência com seguros, sinistros, regulação ou documentos jurídicos e contratuais;
- MLflow para versionar prompts e experimentos;
- LGPD e anonimização de dados (mascaramento de PII);
- Guardrails e red teaming de LLM;
- Certificações em Databricks, Google Cloud ou IA.
/n
O
Cientista de Dados
será responsável por:
- Projetar a arquitetura do motor cognitivo, do payload de entrada da API até o JSON de saída;
- Construir prompts especializados, com raciocínio passo a passo, guardrails anti-alucinação e JSON Schema;
- Implementar a análise multimodal com Gemini: OCR e visão computacional em diferentes documentos, com extração estruturada de campos e detecção de inconsistências;
- Estruturar o RAG com chunking semântico, metadados por cobertura/cláusula/limite, embeddings, busca híbrida e reranking;
- Usar casos históricos (deferidos, indeferidos e com exigências) para calibrar o modelo com few-shot, incluindo casos de borda;
- Criar o framework de avaliação: suítes de teste automatizadas, benchmark de acurácia, precisão e recall das decisões, e testes de regressão a cada mudança de prompt ou modelo;
- Monitorar qualidade, custo e latência da inferência (observabilidade de LLM, versionamento de prompts);
- Homologar os resultados com os analistas de negócio.