Se você tem paixão por inovação e busca trabalhar em um ambiente que promove agilidade, colaboração e desafios, esta pode ser a sua oportunidade!
Para nosso time de Data & AI, buscamos alguém com boa base em Python e SQL, experiência em Machine Learning com modelos em produção e prática com grandes volumes de dados. Além disso, é importante saber traduzir o técnico para o negócio, atuar de forma colaborativa com outras áreas e ter flexibilidade para se adaptar a mudanças de contexto.
Sua missão será amadurecer e produtizar modelos de Machine Learning para a área de prevenção a fraudes financeiras transacionais, com foco em MLOps/deploy e sustentação de modelos em tempo real, garantindo que as soluções escalem para grandes volumes transacionais e gerem impacto mensurável para o negócio.
Atuamos com o modelo remoto/home office.
- Conduzir projetos de Data Science de ponta a ponta, desde a definição e recorte do problema com Produto/Operações até a entrega em produção, acompanhando impacto no negócio e evoluções contínuas da solução.
- Projetar, implementar e sustentar pipelines de Machine Learning em produção (batch e online), garantindo confiabilidade, escalabilidade e manutenibilidade em cenários de alto volume e necessidade de resposta rápida.
- Gerenciar o ciclo de vida completo dos modelos (experimentação, validação, publicação, monitoramento e iteração), incluindo definição de métricas e rotinas de acompanhamento de data drift e concept drift.
- Desenvolver e evoluir sistemas de inferência para diferentes casos de uso (batch e tempo real), trabalhando com trade-offs de arquitetura para suportar paralelização, concorrência e baixa latência.
- Otimizar performance ponta a ponta de soluções em produção, atuando sobre latência, throughput e uso de recursos computacionais, com foco em respostas rápidas e processamento de múltiplas requisições simultâneas.
- Estruturar e aprimorar práticas de MLOps (infra, deploy e observabilidade), incluindo versionamento de modelos e artefatos, automação de deploy e monitoramento contínuo de performance e saúde do sistema em produção.
- Atuar em parceria com Tech Leaders de Engenharia e PMs para desenhar soluções viáveis, alinhar expectativas, comunicar resultados (técnicos e de negócio) e viabilizar a entrega dos sistemas em produção.
- Manter-se atualizado(a) em melhores práticas de Data Science aplicada e produtividade em desenvolvimento (incluindo ferramentas de desenvolvimento assistido por IA), avaliando e propondo melhorias que façam sentido para o contexto e qualidade de entrega.
- Machine Learning: Domínio em algoritmos clássicos (classificação e regressão) voltados para scores de risco, utilizando métodos robustos (XGBoost, LightGBM, Random Forest).
- Deploy de Modelos: Experiência em produtizar e manter o funcionamento de modelos machine learning live e batch.
- Tempo Real: Vivência com modelos live (via APIs), lidando com cenários de alta concorrência e requisitos de baixa latência.
- MLOps: Experiência na gestão e monitoramento de modelos em produção e domínio de frameworks como MLflow.
- Manipulação de Big Data: Proficiência em SQL, Python e Spark para análise de grandes conjuntos de dados.
- Estatística e Experimentação: Conhecimentos em Inferência Estatística e aplicação prática de Testes A/B em problemas de negócio.
- Boas Práticas de Código: Familiaridade com práticas de desenvolvimento estruturado e versionamento de código (Git).
- Visão de Negócio: Habilidade para comunicar resultados técnicos de forma clara e traduzir métricas estatísticas em impactos práticos para o negócio.
- Formação: Graduação completa ou experiência prática equivalente em Ciência da Computação, Engenharia, Estatística, Matemática, Física e/ou correlatas.
Diferenciais
- Experiência com Databricks (Data Asset Bundles, Model Serving e Online Feature com DynamoDB).
- Vivência prévia em fintechs, mercado de pagamentos ou instituições financeiras.
- Atuação direta em prevenção a fraudes ou combate a crimes financeiros.
- Conhecimento em métricas financeiras voltadas para fraude (Taxa de Aprovação, Chargeback).
- Conhecimento de streaming de dados (Kafka, Kinesis) e processamento em tempo real.
- Conhecimento em Graph Data Science / Graph Databases (ex: Neo4j, AWS Neptune).
- Familiaridade com AWS.
Modelo de trabalho
- Carga horária de 8h por dia (segunda a sexta-feira)
- Contratação CLT.