Contrate um engenheiro de machine learning

Um engenheiro de machine learning garante que um modelo funciona fora do notebook. Transforma código experimental em código Python testado, constrói a pipeline que treina e coloca o modelo em produção, disponibiliza-o através de um endpoint ou de um processo batch e configura a monitorização.

Na nossa página sobre cedência de profissionais, esta função surge como especialista em machine learning, a par de funções como data scientist, engenheiro de IA e engenheiro de MLOps. O profissional mais adequado depende do seu modelo e da sua plataforma.

Um data scientist determina que modelo responde a uma questão e se tem um desempenho melhor do que uma solução de referência simples. O engenheiro de machine learning coloca esse modelo em produção e mantém-no a funcionar. O engenheiro de MLOps configura o processo comum a todos os modelos: model registry, CI/CD e monitorização.

Em equipas pequenas, uma pessoa acumula frequentemente duas destas funções. Se pretende implementar este processo como projeto, saiba mais sobre MLOps.

Training-serving skew é a diferença entre o desempenho de um modelo durante o treino e em produção. Uma causa comum é o cálculo dos dados de entrada ser ligeiramente diferente em produção e no notebook, por exemplo, porque a equipa de TI reconstruiu o cálculo noutra linguagem.

A Google recomenda utilizar, tanto quanto possível, o mesmo código nas pipelines de treino e produção. É precisamente esse o trabalho de um engenheiro de ML: criar uma única etapa de pré-processamento testada que funcione em ambas as pipelines.

Depende de quando precisa do resultado. Se uma aplicação tiver de responder de imediato a cada pedido, coloca-se o modelo por trás de um endpoint. Se bastar obter um resultado para todos os registos todas as noites ou de hora a hora, um processo batch é mais fácil de gerir.

No Databricks, pode fazer ambas as coisas com o Model Serving, para modelos registados no Unity Catalog. O Azure Machine Learning dispõe de endpoints online e batch. Com um endpoint online, pode distribuir o tráfego entre a versão antiga e a nova, para fazer a transição em segurança.

Desde 1 de janeiro de 2025, o Belastingdienst voltou a aplicar integralmente as regras contra o falso trabalho independente. Saber se alguém trabalha, na prática, como trabalhador por conta de outrem depende de fatores como a subordinação, a integração na organização e o exercício de uma atividade empresarial própria.

Um engenheiro de ML cedido pela Data Science Lab tem um contrato de trabalho connosco. É uma situação diferente da contratação direta de um freelancer. Peça aos recursos humanos, à equipa de compras ou a um consultor que analise a sua política de contratação.

Se o modelo tratar dados pessoais, aplica-se o RGPD. Segundo a Autoriteit Persoonsgegevens, é obrigatória uma avaliação de impacto sobre a proteção de dados (DPIA) quando utiliza sistemas algorítmicos com dados pessoais, mesmo num projeto-piloto. O Regulamento da IA classifica como de risco elevado, entre outras aplicações, o software que seleciona currículos; segundo a Comissão Europeia, essas obrigações aplicam-se a partir de 2 de dezembro de 2027.

Um engenheiro de ML configura os registos de atividade, as versões do modelo e a monitorização para que possa demonstrar como o modelo foi desenvolvido. Cabe ao seu departamento jurídico ou de conformidade avaliar se o modelo está abrangido pelas regras. Saiba mais sobre governação da IA.

Se ainda não houver um modelo ou uma questão clara, o engenheiro não tem nada para colocar em produção. Comece por data science ou por uma avaliação de maturidade. Se o problema for a falta de dados ou a sua má qualidade, trate primeiro da fundação de dados.

Se prevê acrescentar modelos de forma contínua, faz mais sentido contratar alguém para a equipa. Se procura uma aplicação pronta a utilizar, em vez de reforçar a equipa, opte por desenvolver o modelo como projeto.