Monster Jobs lê cada vaga aberta e diz, de 0 a 100, o match dela com o seu currículo — de graça. Você está vendo esta página sem a parte mais importante dela: a sua.
Pode ser 94. Pode ser 31.
O ponteiro só crava quando lemos o seu currículo. Leva 1 minuto, de graça.
DOSSIÊ MJ-5956 · ACESSO PARCIAL
Member of Technical Staff | Inference Platform
Avra · São Paulo, SP
Esta é 1 de 49.766 vagas encontradas nos últimos 30 dias. Nós comparamos todas com o seu currículo — hoje, esta página nem sabe quem você é.
Grátis, sem cartão. Só o seu currículo.
Encontrada há 2 horas
Se candidatar no escuro custa uma noite.
Saber custa um minuto.
A conta que ninguém faz
Você, sozinho, numa noite
~20
vagas abertas e lidas uma a uma — a maioria descartada no terceiro parágrafo, quando o requisito que você não tem finalmente aparece. Dias assim, toda semana.
O Monster Jobs, enquanto isso
49.766
vagas já lidas e entendidas, prontas para ganhar nota contra o seu currículo no momento em que ele chegar. Você não procura mais vaga — recebe as que merecem a sua atenção.
Recrutador faz triagem de candidato.
Aqui, o recrutador é você — de vagas.
Cada uma chega com nota e motivo. Seu único trabalho é dizer sim ou não.
RELATÓRIO DE COMPATIBILIDADE · GERADO POR VAGA, POR PESSOA
Por que essa nota
Para quem tem conta, este bloco explica a nota em português — escrito sobre o seu histórico, não um texto genérico:
O raciocínio da nota é gerado para cada currículo depois do cadastro gratuito.
A seu favor
O que do seu histórico pesa a favor aqui.
O que falta
O que a vaga pede e seu currículo ainda não mostra.
1 minuto: você envia o currículo, nós escrevemos o resto.
Ninguém caça sozinho. Esta vaga foi encontrada por outra pessoa e entrou no acervo de todo mundo. A caça continua enquanto você lê isto — e a sua parte do acervo (49.766 vagas, comparadas com o seu currículo) só passa a existir quando você entra.
O que você decide sobre cada vaga
Cada vaga vira um caso com histórico: candidatei, entrevista, proposta. Estes botões são os reais — só falta a conta.
Descrição da vaga
Avra is a frontier AI lab building relational foundation models from the ground up (no third-party wrappers).
We model how businesses and individuals are connected and interact over time. Put simply: we bring connections into the math.
Leading enterprises in LatAm use Avra's models to power key decisions in credit, growth, and fraud. Our customers include the largest banks and marketplaces in Latin America, such as Mercado Libre, Telefonica, Banco Inter and Getnet.
Avra was founded in 2024 by Viviane Meister and Bruno Alano (ex-OpenAI). Our investors include NXTP, Clocktower Ventures, as well as the Sequoia and a16z scouts. We are accelerated by NVIDIA, AWS, and Google.
We are a team of builders. Join us.
About The Role
At Avra, every technical IC is a Member of Technical Staff (MTS). The title doesn't put anyone in a silo: you own systems and outcomes, not steps in a function, and you keep building depth in your area.
In this role, you'll join the Platform team to own where our models execute. Customers consume our models through large batches of millions of records and through real-time APIs, and they make business decisions on every response. You'll run governed model releases reliably and efficiently — in our cloud and on customer-hosted Kubernetes — and make inference fast, predictable, and cheap enough to serve both enterprise and mid-market customers.
What You'll Do
- Evolve Sophos, our online and batch inference runtime, built on Kubernetes.
- Run large batch inference on ephemeral jobs, with multi-dimensional admission control (CPU, memory, GPU).
- Build and extend the controller and its Kubernetes custom resources.
- Optimize each model's inference engine and feature processing.
- Serve graphs and data efficiently.
- Own execution of training, post-training, and fine-tuning jobs, in our cloud and in customer dataplanes / on-premisse cloud.
- Drive autoscaling, GPU serving, performance, and cost optimization, with telemetry for every model we run.
- 99.9% serving availability.
- p95/p99 latency for online inference and throughput for batch.
- Cost per prediction and per training job.
- GPU utilization: paid capacity versus capacity actually used.
- Training and batch jobs that finish on time and succeed without manual retries.
- Experience running model serving or large-scale batch compute on Kubernetes.
- Experience building Kubernetes controllers or operators.
- Skill at profiling and optimizing data-heavy Python pipelines.
- A clear sense of cost: you treat compute efficiency as a product feature.
- Production-quality code and reviews, and a willingness to operate what you build.
- Ray, Ray Serve, or KubeRay in production.
- Admission-control systems.
- GPU serving and performance optimization.
- Arrow, Parquet, Lance, or other columnar formats.
- Shipping software to customer-hosted Kubernetes.
- GCP/AWS and GKE/EKS, and financial services or regulated environments.
Leu tudo e ficou na dúvida? É exatamente isso que a nota resolve.
Por que criar conta agora
Leva 1 minuto
Envie o currículo e pronto. Sem formulário longo, sem questionário, sem teste.
Grátis de verdade
Sem cartão, sem período de teste que expira. Seu currículo só gera as suas notas.
Já tem vaga esperando
49.766 vagas encontradas nos últimos 30 dias — a sua nota nesta e em todas as outras sai assim que o currículo chega.