Vagas de Machine Learning Engineer em United States: curriculo, entrevista e candidatura

Você está mirando uma vaga de Machine Learning Engineer nos Estados Unidos e não sabe se o seu currículo brasileiro passa no primeiro filtro. O problema quase nunca é a sua técnica. É o formato do documento, o vocabulário da vaga e o jeito que você responde na entrevista.

O mercado americano contrata de um jeito bem diferente do brasileiro. A vaga sai com requisitos específicos, o recrutador recebe muitos candidatos e decide em poucos segundos. Não existe foto nem dados pessoais no resume. Existe resultado mensurável.

O que o empregador americano espera#

Machine Learning Engineer nos Estados Unidos costuma ser uma vaga de engenharia antes de ser uma vaga de modelos. O recrutador quer saber se você coloca código em produção, se mede o que colocou em produção e se aguenta manter aquele sistema rodando.

Duas perguntas guiam a triagem: você escreve código que vai para produção e você entende o ciclo de vida de um modelo, do treino ao monitoramento. Se o seu currículo só fala de notebooks e acurácia em datasets públicos, ele não responde nenhuma das duas.

Vagas de pesquisa aplicada existem, mas são minoria. Para a maior parte das posições, framework é detalhe. Conta mais o raciocínio sobre latência, custo de inferência e o que acontece quando a distribuição dos dados muda.

Formato de resume que funciona#

Nos Estados Unidos o documento se chama resume, tem uma página para quem tem até uns dez anos de experiência e não tem seção de dados pessoais. Nome, e-mail, LinkedIn, GitHub e cidade com estado. Nada mais.

Ordem que funciona: resumo curto de duas linhas, experiência em ordem decrescente, projetos ou publicações, formação e ferramentas. Cada bullet começa com verbo no passado e termina em resultado. Um bullet é uma linha de história, não uma descrição de tarefa.

Veja uma reescrita realista de um bullet comum.

Antes: "Responsável pelo desenvolvimento de modelos de previsão de demanda utilizando Python e XGBoost."

Depois: "Reduzi o erro de previsão de demanda em 18% trocando o modelo baseline por XGBoost, e publiquei a inferência como API usada por três equipes internas."

A diferença não é a ferramenta. É o número, a ação e o alcance. Se você não tem número exato, use uma ordem de grandeza honesta: "milhares de requisições por dia", "cobrindo cerca de 40% do catálogo".

Palavras-chave que o ATS procura#

O filtro automático compara o seu resume com a descrição da vaga. Se a vaga diz "model deployment" e você escreve "implantação de modelos", a pontuação cai. Vale traduzir os seus termos para o vocabulário da vaga em inglês, mesmo que o seu trabalho tenha sido feito no Brasil.

Termos que aparecem com frequência em vagas de ML Engineer nos Estados Unidos:

• model deployment, model serving, inference latency
• feature engineering, feature store, data pipeline
• MLOps, CI/CD, experiment tracking
• Python, PyTorch ou TensorFlow, SQL
• distributed training, GPU, Kubernetes
• A/B testing, model monitoring, data drift

A ferramenta gratuita de leitura de vagas mostra quais termos aparecem com mais peso na descrição que você está analisando, e o verificador de ATS gratuito aponta onde o seu documento fica invisível para o filtro. Para achar posições abertas agora, a busca de vagas do jobrise reúne anúncios de diferentes fontes em um só lugar.

O que perguntam na entrevista#

O processo típico tem triagem de recrutador, entrevista de código, entrevista de sistema de ML e conversa com o time. Cada etapa elimina por um motivo diferente. Código elimina quem não resolve problema sob pressão. Sistema de ML elimina quem só conhece modelo, não serviço.

Perguntas que aparecem muito:

• Como você faria o deploy de um modelo que precisa responder em menos de 100 ms?
• O que você monitora depois que o modelo está no ar?
• Como detecta data drift e o que faz quando encontra?
• Explique overfitting para alguém que não é de dados.
• Como você treinaria um modelo grande quando a GPU não aguenta os dados?

Sobre a última, uma resposta curta e boa soa assim: "Começo pelo baseline simples para saber o chão de métrica. Depois uso amostragem estratificada e treino em lotes, com mixed precision para caber na memória. Se ainda assim não couber, particiono os dados e uso treino distribuído, sabendo que a sincronização vai custar tempo de comunicação."

Note que a resposta mostra sequência e trade-off. Não precisa acertar a solução perfeita. Precisa mostrar que você já passou por esse tipo de aperto.

Na parte comportamental, prepare duas ou três histórias com desfecho claro, incluindo um caso que deu errado e o que você mudou depois. Contar erro e correção costuma funcionar melhor do que listar acertos.

Salário: o que dá para dizer sem inventar número#

Faixas de salário para Machine Learning Engineer nos Estados Unidos variam muito por cidade, por nível e por empresa. O mesmo cargo paga diferente em São Francisco, Nova York, Seattle ou Austin, e a diferença pode ser grande. Fontes públicas que reportam faixas, como sites de comparação salarial e anúncios em estados americanos que exigem divulgar o salário, mostram essa dispersão.

Regra prática: em empresas grandes de tecnologia, a compensação total costuma incluir bônus e stock options, e essa parte varia bastante com o valor da ação no dia. Nunca aceite uma promessa de valor futuro de ação. Confira a faixa no anúncio da vaga ou na fonte oficial no momento da candidatura, e trate qualquer número dito em conversa como estimativa.

Visto: o que muda na sua candidatura#

Parte das empresas americanas patrocina visto de trabalho, mas nem todas, e algumas deixam isso explícito no anúncio. O H-1B tem quantidade limitada por ano e funciona por sorteio. Existem outros caminhos, como o O-1 para perfis com reconhecimento na área e a residência por categorias de emprego, cada um com requisitos próprios.

Nenhuma empresa séria garante visto, e nenhum consultor sério garante visto. Você pode e deve perguntar na triagem: "Does this role sponsor work authorization?" Se a resposta for não, siga em frente. Gasta tempo de todo mundo continuar o processo.

Checklist antes de enviar#

• Resume em inglês, uma página, sem foto e sem dados pessoais
• Bullet com verbo de ação, número e alcance em cada experiência
• Termos da vaga presentes no texto, do jeito que a vaga escreve
• LinkedIn e GitHub atualizados, com o mesmo histórico do resume
• Projeto de ML com link para código e instrução de execução
• Resposta pronta para a pergunta sobre patrocínio de visto
• História comportamental preparada com desfecho concreto
• Data de início e modalidade de trabalho definidas antes da conversa

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 pós-graduação em Machine Learning para concorrer?

Não necessariamente. Muitas vagas pedem bacharelado em ciência da computação ou área correlata, e experiência com sistemas em produção pesa bastante. Para vagas de pesquisa aplicada, mestrado ou doutorado aparece com mais frequência nos requisitos.

Posso me candidatar estando no Brasil?

Pode, e muita gente faz isso. Considere que parte das empresas prefere candidatos já com autorização de trabalho, e que o processo pode incluir fusos diferentes e videochamada fora do horário brasileiro.

Meu resume pode ser em português?

Não. O recrutador e o ATS trabalham em inglês. Faça a versão em inglês e mantenha uma versão brasileira separada para vagas no Brasil, os dois documentos cumprem funções diferentes.

Quanto tempo leva o processo seletivo para ML Engineer?

Varia bastante, de algumas semanas a alguns meses em empresas grandes com várias etapas. Pergunte o prazo estimado na primeira conversa e siga os conteúdos sobre entrevistas e carreira no blog do jobrise para preparar cada fase.

Devo mencionar que preciso de visto no primeiro contato?

Sim, se a pergunta aparecer no formulário ou na triagem. Ser direto evita semanas de processo que terminariam na mesma parede. Confirme sempre o requisito atual na fonte oficial de imigração dos Estados Unidos, porque as regras mudam.