Pearl
PwC
Acceleration Center - Agente de IA e Engenheiro de DevOps - Senior Associate
Sobre a oportunidade
Indústria/Setor Não Aplicável
Especialidade Dados, Analytics e IA
Nível de Gestão Senior Associate
Requisitos de Viagem Até 20%
Data de Encerramento da Vaga Outubro 27, 2026
Descrição da Vaga e Resumo
A Oportunidade
Junte-se ao nosso Acceleration Center México e ajude a moldar o futuro dos negócios para nosso diversificado portfólio de clientes em geografias e jurisdições. Você trabalhará no coração de equipes globais em Advisory, Assurance, Tax e Business Services — resolvendo desafios reais de clientes por meio de colaboração conectada. Ajudaremos você a aprimorar suas habilidades para que você possa ir mais longe. Com aprendizado prático, ferramentas de ponta e uma cultura inclusiva, esta é a sua oportunidade de fazer um trabalho inspirador que faz a diferença — todos os dias.
Como Engenheiro de IA de Agente no Acceleration Center - Senior Associate, você desempenhará um papel fundamental na transformação de dados brutos em insights acionáveis, permitindo a tomada de decisões informadas e impulsionando o crescimento dos negócios. Dentro de nossa prática de Internal Firm Services, você alavancará a Inteligência Artificial para resolver problemas de negócios por meio de Sistemas de Agente, RAG, LLMs, garantindo a escalabilidade da solução e a implementação correta.
Como Senior Associate, você se concentrará em construir conexões significativas com clientes e aprender a gerenciar e inspirar outras pessoas. Você navegará por situações cada vez mais complexas, expandindo sua marca pessoal e aprofundando suas habilidades técnicas. Espera-se que você antecipe as necessidades de suas equipes e clientes, entregando trabalho de qualidade enquanto abraça a ambiguidade crescente. Esta função exige que você responda efetivamente a diversas perspectivas, use uma ampla gama de ferramentas e metodologias para gerar novas ideias e mantenha padrões profissionais e técnicos.
Nesta função no PwC Acceleration Center México, você entregará um sistema. Esta posição é responsável pela camada de modelo de ponta a ponta: design de prompt e skill, avaliações, segurança e o MLOps que o mantém barato, rápido, rastreável e reproduzível em produção.
Responsabilidades
- Projetar e implantar automações baseadas em LLM em escala — agentes, skills, pipelines — do protótipo à produção
- Construir frameworks de avaliação: benchmarks offline, testes adversariais (red-teaming), suítes de regressão e loops de feedback de produção que detectam drift antes dos usuários
- Ser responsável pela observabilidade de ponta a ponta: traces distribuídos, histogramas de latência, atribuição de custos, throughput de tokens, orçamentos de erro e dashboards que exibem sinal em vez de ruído
- Definir e impor SLOs para serviços com suporte de modelos; ser responsável pela pilha de alertas e playbooks de resposta a incidentes
- Depurar falhas de produção em todo o full stack — desde reinícios de pods Kubernetes até alucinações de modelos e injeção de prompt — e escrever postmortems que realmente previnam recorrências
- Operar nativamente com IA: usar Claude Code, Codex, GitHub Copilot, Cursor e ferramentas similares como infraestrutura diária, não como novidade — e manter o resultado no mesmo padrão do código escrito manualmente
- Instrumentar e monitorar o comportamento do LLM em produção: uso de tokens, qualidade da resposta, modos de falha, SLAs de latência. Arquitetar CI/CD para mudanças de modelo e prompt: versionamento, portões de avaliação automatizados, estratégias de rollback.
O Que Você Precisa Ter
- Pelo menos um diploma de Bacharel
- Pelo menos 2 anos de experiência
- Proficiência oral e escrita em inglês exigida
O Que Te Destaca
- Engenharia principal: fluência em Python, FastAPI, padrões assíncronos, Pydantic, Typescript, SQL/Redis para estado e cache, K8s + Azure DevOps CI/CD
- Profundidade em ML/LLM: fundamentos sólidos (transformers, finetuning, RAG, frameworks de agente); experiência prática com Claude/OpenAI SDKs/Langchain/Langgraph/Langfuse; construção de avaliações: testes de prompt, pipelines de LLM-como-juiz, integração de feedback humano.
- MLOps/SRE: automações baseadas em LLM entregues em produção com SLAs e usuários reais, experimentos reproduzíveis (rastreados, versionados, auditáveis), definição de SLO, rastreamento de erros, design de alertas, pipelines de monitoramento para degradação de modelos, drift de prompt e anomalias de custo.
- Fluência Nativa em IA: usuário diário de assistentes de codificação de IA (Claude Code, Codex, Copilot, Cursor), compreensão das limitações do modelo, modos de falha e quando desconfiar da saída, capacidade de escrever prompts e instruções de agente com rigor, ter opiniões sobre design de avaliação, gerenciamento de contexto e padrões de uso de ferramentas.
