Engenheiro(a) de Machine Learning

Appmax; Deutschland; Vor Ort; EUR 55.000 - 85.000; Vollzeit

Zusammenfassung

A Appmax está em busca de um Engenheiro(a) de Machine Learning Pleno para integrar o time de Ciência de Dados. Sua missão será garantir que dados e pipelines que alimentam modelos e análisses sejam robustos, escaláveis e bem estruturados, atuando com o time de Ciência de Dados e, quando necessário, em colaboração com a Engenharia de Dados.

O time de Ciência de Dados da Appmax é responsável por construir modelos, features e métricas que sustentam as frentes de Risco, Fraude, Crédito e Produtos, e

Aufgaben

• Desenvolver e manter pipelines de dados que alimentam modelos de machine learning em produção, em contextos de risco, fraude e crédito.
• Construir e evoluir features de ML com foco em qualidade, rastreabilidade e reaproveitamento entre times.
• Apoiar análises e modelos de ciência de dados, atuando como parceiro na solução.
• Otimizar jobs e transformações existentes, garantindo performance e confiabilidade.

Kenntnisse

ML

Python

SQL

Pipelines de dados

Ausbildung

Graduação em Ciência da Computação ou área relacionada

Tools

Airflow

Scikit-learn

TensorFlow/PyTorch

Jobbeschreibung

A Appmax está em busca de um(a) Engenheiro(a) de Machine Learning Pleno para integrar o time de Ciência de Dados. Sua missão será garantir que os dados e pipelines que alimentam modelos e análises sejam robustos, escaláveis e bem estruturados, atuando em conjunto com o time de Ciência de Dados e, quando necessário, em colaboração com a Engenharia de Dados. O time de Ciência de Dados da Appmax é responsável por construir os modelos, features e métricas que sustentam as frentes de Risco, Fraude, Crédito e Produtos, e por garantir que tudo isso rode de forma confiável em produção.

Responsabilidades

• Desenvolver e manter pipelines de dados que alimentam modelos de machine learning em produção, em contextos de risco, fraude e crédito.
• Construir e evoluir features de ML com foco em qualidade, rastreabilidade e reaproveitamento entre times.
• Apoiar análises e modelos de ciência de dados, atuando de forma cross quando o problema exigir, não só como executor, mas como parceiro na solução.
• Otimizar jobs e transformações existentes, garantindo performance e confiabilidade.