Brasil
Zup Innovation
Bain & Company
Head of Ontology - Platform
Brasil
Warsaw, Masovian Voivodeship, Poland · London, England, United Kingdom · Chicago, Illinois, United States · São Paulo, Brazil
Tradução automática. Consulte o original.
DESCRIÇÃO E REQUISITOS
O que nos torna um excelente lugar para trabalhar
Temos orgulho de sermos consistentemente reconhecidos como um dos melhores lugares para trabalhar no mundo. Atualmente, somos a empresa de consultoria mais bem classificada na lista de Melhores Lugares para Trabalhar do Glassdoor e conquistamos o 1º lugar geral um recorde de sete vezes. Equipes extraordinárias estão no centro da nossa estratégia de negócios, mas isso não acontece por acaso. Exige um foco intencional em reunir um amplo conjunto de origens, culturas, experiências, perspectivas e habilidades em um ambiente de trabalho inclusivo e de apoio. Contratamos pessoas com talento excepcional e criamos um ambiente no qual cada indivíduo pode prosperar profissional e pessoalmente.
Com quem você trabalhará
O Growth AI Performance System é o conjunto integrado de ferramentas de decisão agentic da Bain, que oferece a grandes organizações inteligência sempre ativa em suas decisões de crescimento mais importantes. Ele se situa em uma interseção rara que poucas organizações podem oferecer genuinamente: a profundidade analítica e o acesso ao cliente de uma consultoria de alto nível, a ambição técnica de uma empresa de produtos e os riscos comerciais de ambas.
Você será responsável pela camada de conhecimento e dados por trás da equipe de produto persistente da Bain, criando softwares que ajudam empresas da Fortune 100 a 500 a responder às perguntas que impulsionam seus negócios: onde investir, onde focar e como vencer. O impacto do que você constrói é direto e imediato, e o conjunto aumenta de valor a cada lançamento.
A plataforma possui duas camadas trabalhando juntas: o Agentic Core e três módulos de produto, cada um resolvendo um problema comercial distinto. Seu trabalho é garantir que a camada de conhecimento subjacente a cada módulo — as entidades, relacionamentos e taxonomias sobre as quais a plataforma raciocina — seja projetada com o mesmo rigor de produção que os pipelines e modelos construídos sobre ela.
Esta é uma startup dentro de uma empresa estabelecida. Você obtém uma verdadeira propriedade de estágio inicial — influência real sobre a arquitetura e a direção do produto — apoiada pela escala global, relacionamentos com clientes e compromisso de liderança da Bain. O ritmo de uma startup com a estrutura de uma empresa global.
Estamos procurando alguém que esteja genuinamente na interseção da engenharia de dados e engenharia de IA — confortável em ser responsável pela resolução de entidades em larga escala e infraestrutura de pipeline em um dia, e pela recuperação, embedding e contratos de API voltados para agentes que permitem que esse conhecimento impulsione o raciocínio ao vivo no dia seguinte. Esta é a engenharia de conhecimento aplicada em produção, em escala, com usuários reais dependendo do que você constrói. A fluência nativa em IA é importante aqui, assim como a vontade de continuar aprendendo — porque o campo está avançando rapidamente e esta equipe foi criada para acompanhar esse ritmo.
Onde você se encaixará na equipe
O Head of Ontology é o cargo de engenharia de conhecimento mais sênior no Growth AI Performance System e um dos mais estrategicamente importantes. Você é o dono do padrão de conhecimento e ontologia para cada módulo de produto do Growth AI Performance System. Você está acima dos AI Engineers e Data Engineers de nível de módulo em questões de resolução de entidades, taxonomia e arquitetura de conhecimento — e você é a palavra final quando uma questão de modelagem ou recuperação depende de como a plataforma representa o mundo comercial. Espera-se que você construa pessoalmente as partes mais difíceis dessa camada, não apenas defina a direção para os outros.
Os problemas abrangem resolução de entidades em escala, design de grafos de conhecimento e taxonomia, arquitetura de recuperação e embedding, e os pipelines de dados que mantêm tudo isso atualizado e correto — problemas de engenharia difíceis onde um erro silenciosamente se propaga para todos os modelos e agentes a jusante. Você deve ser igualmente credível ao revisar um pipeline de Spark e uma arquitetura de geração aumentada por recuperação, porque ambos são de sua responsabilidade.
Você trabalhará em toda a plataforma e nos módulos de produto focados em ROI de marketing, estratégia de marca ou precificação — garantindo que a camada semântica represente com precisão o mundo comercial sobre o qual esses módulos são construídos para raciocinar. Um modelo de mix de marketing que categorizou incorretamente um canal de mídia, uma ferramenta de análise de marca que confunde duas entidades semelhantes ou um mecanismo de precificação que não consegue resolver corretamente uma hierarquia de produtos produzirá resultados nos quais os clientes não podem confiar. A ontologia é o que evita isso — e você é responsável por ela.
Os resultados aqui não são um artefato de pesquisa ao lado do produto — eles são o substrato sobre o qual o produto raciocina. O padrão que você exige para essa camada é o padrão pelo qual a confiabilidade de toda a plataforma é medida.
Você liderará a equipe de Ontologia e Conhecimento — o AI Engineer e o Data Engineer que se reportam a esta função — e colaborará diariamente com o Tech Lead, os Data Scientists em todos os três módulos de produto, o Evals Lead e o Product Manager. Você também se envolverá diretamente com os principais stakeholders dos clientes: apresentando a arquitetura de conhecimento da plataforma, explicando como a camada semântica é estruturada e por quê, e usando essas conversas para tornar a ontologia mais comercialmente precisa a cada engajamento.
Sobre você
O que você fará
Arquitetura de conhecimento e engenharia de ontologia
- Ser responsável pelo design, construção e governança do grafo de conhecimento e ontologia do Growth AI Performance System — a camada semântica que modela entidades comerciais, relacionamentos de mercado e taxonomias de domínio em ROI de marketing, estratégia de marca e precificação
- Definir os padrões de arquitetura de conhecimento nos quais a plataforma é construída: convenções de nomenclatura e resolução de entidades, estrutura e versionamento de taxonomia, modelagem de relacionamento e como lacunas ou ambiguidades nos dados são representadas explicitamente em vez de serem descartadas silenciosamente
- Projetar e implementar sistemas de resolução de entidades em escala de produção usando ferramentas como Splink, Zingg ou modelos de correspondência probabilística personalizados — lidando com fontes de dados ambíguas, incompletas e conflitantes sem propagar essas ambiguidades a jusante
- Construir e evoluir o próprio grafo e armazenamento semântico (por exemplo, Neo4j, Amazon Neptune ou lojas triplas RDF/OWL com SPARQL), equilibrando expressividade, desempenho de consulta e confiabilidade operacional em escala de produção
- Evoluir a ontologia à medida que a plataforma escala: gerenciando a compatibilidade retroativa de mudanças de esquema, coordenando com o AI Engineer e o Data Engineer sobre como as atualizações se propagam para as interfaces dos módulos de produto a jusante
Engenharia de IA: recuperação, embeddings e integração agentic
- Projetar a camada de recuperação, memória e engenharia de contexto que permite que fluxos de trabalho agentic raciocinem sobre a ontologia de forma confiável: lojas vetoriais/de grafo/híbridas (Pinecone, Weaviate ou equivalente), seleção de modelo de embedding e estratégia de atualização, e cache de contexto/prompt
- Ser responsável pelos contratos de API e esquema através dos quais os AI Engineers e frameworks de agentes (LangGraph, MCP ou equivalente) consomem as saídas da ontologia — garantindo que os padrões de recuperação permaneçam coerentes à medida que tanto a camada de conhecimento quanto o núcleo agentic evoluem
- Construir mecanismos de avaliação para a qualidade da camada de conhecimento no mesmo espírito das avaliações de modelo: precisão/recall de resolução de entidades, verificações de consistência de taxonomia e suítes de regressão que detectam falhas na camada de ontologia antes que cheguem à produção
- Aplicar técnicas de NLP/ML (por exemplo, spaCy, modelos transformer Hugging Face) para extração de entidades, extração de relações e enriquecimento contínuo de taxonomia a partir de dados não estruturados de clientes e de mercado
Supervisão de dados e pipeline
- Ser responsável pelos pipelines de dados que mantêm a ontologia atualizada: pipelines de ingestão, transformação e verificação de qualidade (por exemplo, Databricks, Airflow, dbt) que alimentam a resolução de entidades e a construção de grafos
- Definir padrões de requisitos de dados para a camada de conhecimento: especificações de esquema, limites de qualidade e os casos extremos que fazem com que a resolução de entidades ou a recuperação produzam resultados enganosos
- Fazer parceria com a Engenharia de Dados da plataforma para diagnosticar quando problemas de dados a montante estão causando problemas na camada de ontologia, e ser responsável pela resolução da causa raiz de ponta a ponta
- Trabalhar com os Data Scientists em todos os três módulos de produto para garantir que a ontologia suporte os requisitos de modelagem estatística de cada módulo: fornecendo o conhecimento prévio estruturado e os dados de relacionamento que os modelos bayesianos precisam para produzir resultados defensáveis
Liderança de equipe e comunicação com stakeholders
- Liderar e desenvolver a equipe de Ontologia e Conhecimento — o AI Engineer (Data Ontology) e o Data Engineer (Ontology) que se reportam a esta função — fornecendo mentoria estruturada e criando as condições para que ambos assumam progressivamente mais responsabilidades
- Colaborar diariamente com o Tech Lead na interface arquitetônica entre a camada de conhecimento e o Agentic Core, e com o Evals Lead para definir critérios de avaliação para a qualidade da ontologia
- Envolver-se diretamente com os principais stakeholders dos clientes, incluindo a liderança comercial — apresentando a arquitetura de conhecimento da plataforma e usando o feedback do cliente como uma entrada sistemática para o desenvolvimento da ontologia
- Usar ferramentas de engenharia assistidas por IA (por exemplo, assistentes de codificação estilo Copilot, ferramentas de esquema e resolução de entidades assistidas por LLM) para acelerar o desenvolvimento da ontologia — como um multiplicador de produtividade, não como um substituto para o rigor de engenharia
Requisitos mínimos
Obrigatório — Técnico
- Forte capacidade de engenharia prática abrangendo tanto engenharia de dados quanto engenharia de IA: confortável em construir pipelines de produção (Spark/PySpark, Airflow, dbt ou equivalente) e sistemas de recuperação/agentic de produção (lojas vetoriais, pipelines de embedding, frameworks de agentes) na mesma função
- Profunda experiência em representação de conhecimento e design de ontologia: bancos de dados de grafos (Neo4j, Neptune) ou lojas semânticas RDF/OWL, e o discernimento para equilibrar expressividade, escalabilidade e confiabilidade operacional
- Experiência em projetar e implementar sistemas de resolução de entidades em escala (Splink, Zingg ou correspondência probabilística personalizada) que lidam com dados ambíguos e conflitantes sem propagar erros silenciosamente
- Fluência prática em como as saídas de grafos de conhecimento são consumidas por sistemas agentic: padrões de recuperação, estratégias de indexação e as convenções de API/esquema que permitem que os AI Engineers construam contra a camada de conhecimento de forma confiável
- Experiência na construção de frameworks de avaliação e qualidade de dados para uma camada de conhecimento ou dados: o que a correção da resolução de entidades significa na prática e como construir testes automatizados que detectam falhas antes da produção
- Fluência nativa em IA: uso ativo de ferramentas de engenharia assistidas por IA para acelerar o desenvolvimento de ontologia e pipeline, com aprendizado contínuo demonstrado na interseção da engenharia de conhecimento e IA generativa
Obrigatório — Experiência
- 8 ou mais anos em funções de engenharia de dados, engenharia de IA/ML ou engenharia de conhecimento, com responsabilidade prática significativa por sistemas dos quais a IA ou a análise de produção dependem
- Histórico de ser responsável por um grafo de conhecimento, ontologia ou plataforma de dados em larga escala da qual um produto real dependia — de nível de produção, com os padrões de confiabilidade, versionamento e governança que a implantação empresarial exige
- Experiência direta liderando uma equipe de engenharia de dados ou IA: definindo padrões técnicos, mentorando engenheiros e criando condições para que a equipe assuma progressivamente mais responsabilidades
- Experiência em interagir com clientes seniores ou públicos de stakeholders em uma capacidade de consultoria técnica: apresentando decisões de arquitetura e traduzindo-as para termos de negócios
Educação
Bacharelado ou superior em ciência da computação, ciência da informação, engenharia de dados ou área relacionada. Pós-graduação em representação de conhecimento, IA/ML ou disciplina de web semântica é uma forte vantagem.
Diferencial — Técnico
- Experiência com extração de entidades e relações NLP/ML (spaCy, Hugging Face transformers) para enriquecimento automatizado de taxonomia a partir de dados não estruturados
- Experiência direta com arquitetura de geração aumentada por recuperação (RAG) e seleção/avaliação de modelos de embedding em um ambiente de produção
- Compreensão de como a estrutura ontológica suporta a modelagem estatística: como dados de relacionamento e priors estruturados alimentam modelos bayesianos ou outros modelos baseados em inferência
- Familiaridade com princípios de governança de dados e privacidade na interseção de dados comerciais do cliente e conhecimento organizacional proprietário
Diferencial — Experiência
- Profundo conhecimento de domínio comercial em pelo menos uma área relevante para o conjunto Growth AI Performance System: análise de marketing e mídia, comportamento de marca e consumidor, ou gestão de precificação e crescimento de receita
- Experiência trabalhando em ou ao lado de consultoria, serviços profissionais ou organizações de análise empresarial onde a qualidade da representação do conhecimento tem consequências diretas para as decisões do cliente
Informações de remuneração nos EUA
A remuneração para esta função inclui salário base, bônus de desempenho discricionário anual, plano 401(k) com uma contribuição anual do empregador com base nos anos de serviço e o pacote de benefícios de primeira linha da Bain (detalhes listados abaixo).
Alguns governos locais nos Estados Unidos exigem que uma faixa salarial razoável e de boa fé seja incluída nas vagas de emprego para cargos abertos. A remuneração anual estimada para esta função é a seguinte:
- Em Massachusetts, a faixa salarial anual de tempo integral razoável e de boa fé para esta função está entre (por favor, insira a faixa salarial); a colocação dentro desta faixa variará com base em vários fatores, incluindo, mas não se limitando a, experiência, educação, licenciamento/certificações, treinamento e nível de habilidade
- Em Illinois, a faixa salarial anual de tempo integral razoável e de boa fé para esta função está entre $226,000 – $276,750; a colocação dentro desta faixa variará com base em vários fatores, incluindo, mas não se limitando a, experiência, educação, licenciamento/certificações, treinamento e nível de habilidade
- Bônus de desempenho discricionário anual
- Esta função também pode ser elegível para outros elementos de remuneração discricionária
- Contribuição da empresa de 4.5% para o 401(k), que aumenta após 3 anos de serviço e é 100% adquirida na data de início
O programa abrangente de benefícios e bem-estar da Bain & Company foi projetado para ajudar os funcionários a alcançar independência pessoal, proteção e estabilidade nas áreas mais importantes para você e sua família.
- A Bain paga 100% dos prêmios individuais dos funcionários para programas médicos, odontológicos e de visão, oferecendo um dos planos médicos mais abrangentes para funcionários sem impactar seu contracheque
- Licença remunerada generosa, incluindo licença parental, licença médica e feriados remunerados
- Contribuição da empresa para o 401(k) totalmente adquirida
- Seguro de vida e invalidez de longo prazo pago
Para todos os outros locais, a faixa salarial anual de tempo integral razoável e de boa fé para esta função é compatível com as taxas de mercado geográficas competitivas para esta função e variará com base em vários fatores, incluindo, mas não se limitando a, experiência, educação, licenciamento/certificações, treinamento e nível de habilidade.
INFORMAÇÕES GERAIS
É ilegal em Massachusetts exigir ou administrar um teste de detector de mentiras como condição de emprego ou continuidade do emprego. Um empregador que violar esta lei estará sujeito a penalidades criminais e responsabilidade civil.
Título do cargo Head of Ontology - Platform
ID da vaga 111468
Áreas de trabalho Tecnologia e Engenharia
Tipo de emprego Permanente em tempo integral
Local(is) Chicago, Londres, São Paulo, Varsóvia
Mais oportunidades com um só perfil
Quer aparecer para várias vagas sem repetir todo o processo? Crie seu perfil e seja encontrado pelas empresas que usam a Nort.
Criar meu perfil