Resumo: Buscamos um Líder Técnico prático para projetar e construir um Companheiro de IA para um jogo online de mahjong, com foco em um modelo de tomada de decisão com uma camada de raciocínio baseada em LLM e inferência de baixa latência. Pontos de destaque: 1. Liderar o desenvolvimento de IA para um Inovador Companheiro de IA em mahjong online 2. Projetar e implementar algoritmos complexos de IA para jogos com integração de LLM 3. Assumir a responsabilidade pela arquitetura técnica de ponta a ponta e pela inferência de baixa latência **Sobre o projeto** ***(descrição, duração, estágio)*** ---------------------------------------------------------- Líder Técnico prático para um **Companheiro de IA** em um jogo online de mahjong. O cliente é uma **empresa de jogos sociais (com elemento web3)** que está escalando seu produto e sua equipe. Entregamos o lado de IA do seu jogo como seu parceiro de IA incorporado. O Companheiro de IA joga mahjong em um nível forte e explica seus lances. O cerne dessa função é **construir o algoritmo de jogo de mahjong**: um modelo dedicado de tomada de decisão (aprendizado por reforço, aprendizado por imitação ou baseado em busca — treinado nos dados históricos de mãos do cliente) com uma **camada de raciocínio LLM** acima dele. Restrições principais de projeto: um **contrato de ação válida** com o mecanismo do jogo (a ponte fornece lances legais), **detecção de vitória**, e um **orçamento de resposta de 2 segundos** por lance. As explicações são executadas de forma assíncrona. O suporte a mais de um conjunto de regras (riichi e variantes regionais) está no roteiro. **Duração**: 3 meses, 0\.5 FTE. **O que você realmente fará** ***(exemplos de tarefas)*** ------------------------------------------------- * Projetar e construir o algoritmo de jogo de mahjong: escolher e justificar a abordagem (aprendizado por imitação com base em históricos de mãos, RL / auto-jogo, busca com MCTS ou uma abordagem híbrida), depois treinar, avaliar e implantar. * Assumir a responsabilidade pela arquitetura técnica de ponta a ponta: modelo do jogo \+ camada de raciocínio LLM, máscara de ações válidas, detecção de vitória e contrato de API com a ponte do jogo do cliente. * Cumprir o **orçamento de resposta de 2 segundos**: projetar e medir o caminho de inferência, agrupamento (batching) e cache; manter uma margem de latência para o número apresentado ao cliente. * Definir quais dados e nomes de eventos precisamos obter do cliente (históricos de mãos, fluxos de eventos); construir o pipeline de treinamento e calibração com base nesses dados. * Construir e executar o ambiente de avaliação: medir a força de jogo contra os pontos de referência do cliente e validar a qualidade das explicações. * Implementar **observabilidade de LLM com Langfuse** (registro assíncrono, lote N\+1) como uma conquista rápida nas primeiras sprints. * Assumir o contexto de Vlad Borysenko (supervisão de 0\.15–0\.2 FTE durante a fase de ramp-up) e liderar o trabalho das sprints com o Engenheiro de IA; colaborar com o Product Owner do cliente em um processo Scrum. * Representar o CTO e os engenheiros do cliente nas decisões técnicas; explicar as compensações em linguagem clara e em profundidade, quando solicitado. * Acompanhar os riscos identificados pela equipe de conta: licenciamento de novos dados de treinamento, capacidades da ponte com o mecanismo do jogo e escopo de múltiplos conjuntos de regras. **Habilidades** ***(prática em primeiro lugar)*** ---------------------------------- * **IA para jogos / tomada de decisão sequencial**: experiência prática com RL, aprendizado por imitação ou agentes baseados em busca (MCTS, auto-jogo) — idealmente para jogos com informação imperfeita (mahjong, pôquer, jogos de cartas) * **Python** especializado para sistemas de ML; sólida engenharia de software (APIs, testes, CI) * **Treinamento de modelos com dados de jogos**, de ponta a ponta: dados, treinamento, avaliação, implantação * **Engenharia de aplicações LLM**: camadas de raciocínio, design de prompts e contexto, saídas estruturadas, salvaguardas * **Inferência de baixa latência**: perfilamento, agrupamento (batching), cache, compensações entre tamanho do modelo e orçamento de tempo rígido * Observabilidade e avaliação de LLM (Langfuse ou similar) * Implantação na AWS para cargas de trabalho de ML * Liderança técnica de um pequeno grupo; comunicação escrita e falada clara com engenheiros e executivos do cliente **Conhecimentos** ------------- * Teoria dos jogos para jogos com informação imperfeita; avaliação da força de jogo (taxas de vitória, classificações estilo Elo, agentes de referência) * Padrões de integração com mecanismos de jogos (fluxos de eventos, máscaras de ações, pontes de estado) * Contexto de produtos web3 / jogos — um diferencial, não obrigatório * AWS Well-Architected para cargas de trabalho de ML **Experiência** -------------- Características-chave (idealmente 4/4): * Engenharia prática de ML/IA em escala produtiva * Lançamento de um sistema de IA dentro de um produto ativo com limites rígidos de latência * Experiência com provedores de nuvem de grande porte (AWS preferida) * Antecedentes em consultoria tecnológica / entrega voltada ao cliente Características específicas para a função: * **6+ anos** de engenharia prática de ML/IA, com trabalho real em **IA para jogos ou tomada de decisão sequencial** (RL / MCTS / auto-jogo — não apenas aplicações de LLM) * Treinamento de modelos com dados de usuários ou de jogos, de ponta a ponta (dados, treinamento, avaliação, implantação) * Liderança de pequenas equipes de entrega mantendo, ainda assim, codificação pessoal * Conforto em assumir a responsabilidade por uma arquitetura perante o CTO técnico de um cliente **Perguntas para candidatos** ---------------------------- * **Informação imperfeita**: no mahjong, a maior parte das peças fica oculta para cada jogador. Como a informação oculta altera sua escolha de algoritmo comparada à de um jogo com informação perfeita, como xadrez? * **Orçamento de latência**: conte-nos sobre um sistema que você lançou com um limite rígido de tempo de resposta. Como você projetou, mediu e defendeu esse orçamento? * **Híbrido LLM + modelo**: como você combinaria um modelo de jogo treinado com uma camada de explicação LLM para garantir que a explicação nunca contradiga o lance realizado? * **Prática + liderança**: como você equilibra a codificação pessoal das partes mais difíceis com a liderança de um engenheiro e a representação perante o cliente?
João Santos
Indeed · HR
João Santos
Indeed · HR
