Uber Machine Learning Engineer: palavras-chave de curriculo e entrevista

Você está mirando uma vaga de Uber Machine Learning Engineer e não sabe o que colocar no currículo nem o que vão te perguntar. É uma vaga disputada e o filtro inicial é duro. Mas dá para organizar a preparação em partes concretas: palavras-chave, exemplos de impacto, e prática de entrevista.

Antes de mais nada, uma ressalva sobre o mercado brasileiro. A Uber contrata engenharia em vários países, e vagas de machine learning no Brasil existem, mas não são muitas. Salários variam bastante entre nível sênior e pleno, entre São Paulo e trabalho remoto, e entre regime CLT e contractor. Não existe número oficial fixo: confira sempre a fonte atual da vaga e da empresa.

O que a vaga realmente pede#

Abra a descrição da vaga e leia linha por linha. O texto vai te dizer quais ferramentas, linguagens e tipos de modelo são centrais para aquele time. Não invente requisitos internos que você não conhece.

Use um decodificador de descrição de vaga para separar o que é requisito real do que é ruído de anúncio. Depois, liste as palavras-chave que aparecem mais: frameworks, tipos de modelo, infraestrutura, métricas de produto.

Um exemplo de extração de palavras-chave a partir de um trecho genérico de vaga:

Trecho: "Experiência com modelos de ranking, Python, pipelines de dados, avaliação offline e A/B testing."

Palavras-chave extraídas: ranking, Python, pipelines de dados, avaliação offline, A/B testing, métricas de produto.

Palavras-chave que costumam aparecer#

Não é para encher o currículo de buzzwords. É para usar os termos certos nos contextos certos. Se a vaga fala de ranking, escreva sobre ranking. Se fala de embeddings, escreva sobre embeddings.

Termos comuns em vagas de machine learning engineer, em geral:

• Python, SQL, e frameworks como PyTorch ou TensorFlow
• Pipelines de dados, orquestração, e processamento em escala
• Modelos de ranking, recomendação, previsão de demanda, ou NLP
• Avaliação offline, métricas online, A/B testing
• Infraestrutura de inferência, latência, custo por predição
• Versionamento de dados e modelos, reprodutibilidade
• Colaboração com produto, engenharia de dados, e ciência de dados

Como escrever o currículo#

Regras básicas. Uma página se você tem menos de dez anos de experiência. Duas páginas se você tem mais. Sem foto, sem endereço completo, sem pretensão salarial.

Cada bullet de experiência precisa de três partes: o que você fez, como você fez, e qual foi o resultado. Se você não tem o número exato, use ordem de grandeza honesta. Não invente métricas.

Exemplo de bullet reescrito:

Antes: "Trabalhei com modelos de machine learning para melhorar o produto."

Depois: "Construí pipeline de features em Python e Spark para modelo de previsão de demanda, reduzindo o tempo de treino de horas para menos de uma hora e melhorando a acurácia em validação temporal."

O segundo é melhor porque diz o quê, o como, e o efeito. Mesmo sem número exato de negócio, a ordem de grandeza ajuda.

Outro exemplo, focado em inferência:

Antes: "Cuidei de deploy de modelos."

Depois: "Migrei serviço de inferência de modelo de ranking para batch com cache em Redis, cortando o custo de computação por predição e mantendo a latência dentro do SLA acordado com o time de produto."

Passo a passo prático para adaptar o currículo#

• Leia a descrição da vaga e extraia de 8 a 12 palavras-chave técnicas
• Marque quais você já tem experiência real, e quais você só conhece por projeto pessoal ou estudo
• Reescreva de 3 a 5 bullets usando as palavras-chave que você domina, no contexto real do seu trabalho
• Coloque as tecnologias exatas que a vaga cita, sem inventar experiência que você não tem
• Rode o currículo por uma checagem de compatibilidade com ATS para pegar problemas de formatação
• Peça para um colega de engenharia ler e dizer se os bullets soam concretos ou genéricos

Preparação para a entrevista#

Entrevistas de machine learning costumam misturar três blocos: fundamentos teóricos, projeto passado, e system design de ML. Não dá para prever a ordem nem o formato exato em cada empresa. Dá para se preparar nos três.

Para fundamentos: revise viés-variância, regularização, escolha de métricas, overfitting, e por que seu modelo funciona ou não funciona. Saiba explicar em voz alta, não só no papel.

Para projeto passado: prepare duas ou três histórias detalhadas do seu trabalho. Qual era o problema, o que você tentou, o que não funcionou, e o que você mediu. O entrevistador quer ver seu raciocínio, não só o resultado final.

Para system design de ML: pense em como você projetaria um sistema de recomendação, um detector de fraude, ou um modelo de previsão de demanda. Considere dados, features, treino, inferência, monitoramento, e custo.

Exemplo de resposta para "conte sobre um projeto de ML seu":

"O time de operações precisava prever demanda por região para alocar motoristas. Eu construí um modelo de previsão de demanda com features históricas de viagens, clima, e eventos locais, em Python e Spark. A primeira versão usava só série temporal clássica, e errava muito em dias de evento. Adicionei features de calendário e eventos, e a validação temporal melhorou bastante. Coloquei em produção com re-treino semanal, e o time de operações passou a usar a previsão para planejar alocação no dia anterior."

Essa resposta funciona porque é específica, mostra iteração, e liga o modelo a uma decisão de negócio.

Erros que derrubam candidatos#

Currículo genérico é o número um. Se você manda o mesmo PDF para toda vaga, alguém mais atento vai passar na sua frente.

Erro comum: listar tecnologias sem contexto. Escrever "Python, TensorFlow, Kubernetes" numa linha solta não diz nada. Escrever onde e como você usou cada uma diz muito.

Outro erro: fingir que sabe uma tecnologia porque a vaga pede. Em entrevista técnica, isso aparece rápido. É melhor dizer que você conhece por projeto pessoal e está aprendendo.

Onde procurar vagas e se manter atualizado#

Para acompanhar vagas de machine learning no Brasil e fora, use a busca de vagas do jobrise e filtre por senioridade e localização. Para continuar estudando depois desta leitura, o blog tem mais material sobre currículo e entrevista técnica.

Ferramentas grátis#

• jobrise.io/pt/free-ats-checker/
• jobrise.io/pt/free-jd-decoder/
• jobrise.io/pt/jobs/
• jobrise.io/pt/blog/

Perguntas frequentes#

Preciso ter experiência comprovada em Uber para passar no currículo?

Não. O que conta é experiência relevante em machine learning aplicado a produto, com resultados concretos. Conhecer o domínio da empresa ajuda na entrevista, mas não substitui fundamentos e projetos bem explicados.

Quais linguagens e ferramentas devo destacar?

Destaque as que você domina de verdade e que aparecem na descrição da vaga. Python e SQL são quase sempre centrais, e frameworks de deep learning aparecem conforme o time. Não invente experiência só porque a vaga menciona uma ferramenta.

Como devo falar de métricas se não tenho números exatos?

Use ordens de grandeza honestas e explique o contexto. Se você não tem o número do negócio, diga o que você mediu no seu escopo, como tempo de treino, latência, ou acurácia em validação. Inventar número é pior do que ser vago.

O que muda na preparação para uma vaga no Brasil versus fora?

Mudam o idioma da entrevista, o regime de contratação, e a disponibilidade de vagas locais. Para vagas fora, prepare o currículo em inglês e revise vocabulário técnico. Salários e vistos variam muito, então confirme sempre na fonte oficial da empresa e do país.

Preciso de projeto pessoal de machine learning para me candidatar?

Não é obrigatório, mas ajuda quando sua experiência de trabalho não mostra o tipo de modelo que a vaga pede. Um projeto pessoal bem documentado, com código no GitHub e explicação de decisões, vale mais do que uma lista de cursos.