Na CI&T , ajudamos grandes empresas a transformar o potencial da AI em impacto real nos negócios com AI Deployment, execução AI-native e tech-integrated business solutions.

Com 30 anos de experiência em transformação tecnológica, aceleramos inovação com expertise em agentic SDLC, application modernization, Data & AI, martech e business strategy. 

Somos 8.000 CI&Ters em mais de 25 países, colaborando para construir soluções com impacto real. AI já faz parte da forma como trabalhamos, evoluímos e inovamos todos os dias.

Estamos em busca de uma pessoa para atuar como Engenheiro(a) de Dados, integrando nosso time e contribuindo na construção de soluções escaláveis e inteligentes para grandes volumes de dados.

Se você é apaixonado por dados, tem experiência sólida com AWS e modelagem de dados, gosta de resolver problemas complexos e colaborar com equipes multidisciplinares, essa vaga é para você!

Responsabilidades:
Atuar no desenvolvimento e evolução de aplicações para ingestão de dados utilizando ferramentas AWS, tanto em arquitetura serveless (glue, lambda, sns, sqs, kafka, etc) quanto com arquiteturas que usam ECS;
Realizar o entendimento das necessidades técnicas, participando de inceptions e refinamentos;
Codificar e estruturar testes automatizados para garantia de qualidade dos entregáveis;
Realizar code review e Deploy em produção;
Gestão de Incidentes;
Otimizar jobs e pipelines de dados, atuando em particionamento de dados, balanceamento de dados (skew) e tuning de performance;
Projetar e manter orquestrações de pipelines utilizando AWS Step Functions e AWS EventBridge;
Configurar e acompanhar monitoria/observabilidade utilizando AWS CloudWatch e, de forma desejável, ferramentas como Datadog;
Atuar com foco em FinOps, garantindo uso eficiente de recursos na nuvem e buscando oportunidades de otimização de custo nas soluções de dados.

Requisitos para este desafio:
Sólidos conhecimentos em Python e Experiência prática com PySpark;
Cloud com AWS (S3, glue, EC2, lambda, athena);
Automação de testes unitários;
Banco de dados Relacional;
Desenvolvimento de testes automatizados usando a estratégia de pirâmide de testes;
Refinamento técnico de histórias e de solução;
Qualidade de código e boas práticas de programação;
Comunicação para garantir o alinhamento com time e stakeholers;
Capacidade de execução e proatividade.
Otimização de custos em nuvem e boas práticas de FinOps aplicadas a pipelines de dados.

Diferenciais:
Uso de IA generativa, agents e skills para agilizar o trabalho
Localstack com recursos AWS (infraestrutura as a code);
Arquitetura Serveless;
Datadog;
Mensageria (Kafka, SQS, SNS);