[Infra] Especialista II de Infraestrutura de Cloud (IA)

Arquitetar, evoluir e operar a infraestrutura da plataforma de IA da Cloud TOTVS de forma segura, escalável e sustentável, garantindo previsibilidade operacional, baixo acoplamento tecnológico e eficiência financeira, suportando os serviços de inferência e suas dependências ao longo do crescimento dos produtos de IA da companhia.

Responsabilidades e atribuições

Arquitetar e operar infraestrutura de inferência e suporte a treinamento e fine-tuning de modelos (GPU-first), em ambientes on-premises, cloud e serviços externos. Definir arquitetura física e lógica (rede, isolamento, alta disponibilidade, capacidade e resiliência). Planejar e executar a implantação da plataforma de IA, garantindo compatibilidade entre hardware, SO, drivers, CUDA, Kubernetes e stacks de inferência.

Operar a plataforma de inferência em produção, assegurando disponibilidade, desempenho e continuidade. Atuar na resolução de incidentes complexos (GPUs, Kubernetes, redes, storage e workloads de IA). Aplicar práticas de SRE (SLOs, SLIs, error budgets e gestão de incidentes). Operar e evoluir stacks de inferência (comerciais e open source), garantindo portabilidade e mitigação de lock-in. : Triton, NIM).

Arquitetar e operar clusters Kubernetes para IA (multi-tenant, scheduling de GPU, filas, concorrência, backpressure e escala). Implementar observabilidade full stack (infraestrutura, GPUs, Kubernetes e serviços de inferência). Garantir visibilidade de consumo de recursos, capacidade, riscos operacionais e impacto financeiro. Apoiar capacity planning e planejamento orçamentário. Integrar práticas de DevSecOps ao ciclo completo da plataforma.

Garantir conformidade com segurança, auditoria, acessos e segregação de ambientes. Disseminar padrões técnicos, boas práticas e conhecimento (documentação e mentoria). Apoiar fóruns técnicos e decisões estratégicas relacionadas à infraestrutura de IA.

Requisitos e qualificações

Experiência mínima de 5 anos em infraestrutura de TI, cloud ou sistemas distribuídos em ambientes críticos. Experiência em arquitetura e operação de sistemas distribuídos (preferencialmente com dados, analytics ou IA). Vivência em equipes multidisciplinares com interação com produto, dados, segurança e arquitetura. Graduação em TI, Engenharia, Ciência da Computação ou áreas correlatas. Inglês avançado (leitura, escrita e conversação técnica).

Domínio de sistemas distribuídos (concorrência, balanceamento, filas, isolamento e backpressure). Experiência sólida com Kubernetes (EKS, GKE, AKS, scheduling avançado, multi-tenant). Conhecimento avançado em ambientes de missão crítica (alta disponibilidade e resiliência). Domínio de redes (TCP/IP, DNS, load balancers, firewalls, SDN). Experiência com storage para workloads intensivos em I/O e larga escala. Experiência com cloud pública (AWS, Azure e/ou GCP). Domínio de observabilidade (métricas, logs e traces).

Experiência com Infraestrutura como Código (IaC) e automação. Conhecimento em práticas DevSecOps e SRE. Forte capacidade analítica para resolução de problemas complexos. Comunicação clara e orientada a impacto técnico e operacional. Entendimento de contexto de negócio para embasar decisões técnicas. Requisitos desejáveis: Pós-graduação ou MBA em áreas como Arquitetura de Software, Cloud, Sistemas Distribuídos ou Segurança. Certificações Kubernetes (CKA, CKAD ou CKS).

Certificações Linux (LPIC-3, RHCE ou equivalente). Certificações em cloud (AWS, Azure ou GCP). Certificações NVIDIA (NCP - AI ou NCA - AI). : CISSP, CCSK, TOGAF).