Engenheiro(a) de Deep Learning Sênior (Séries Temporais no Varejo)

confidential; United States; Remote; USD 58,000 - 128,000; Full time

Benefits offered by this job

Ambiente remoto 100%

Trabalho com clientes globais

Flexibilidade de agenda

Apoio à saúde física e mental

Conexão com times internacionais

Processo de contratação CLT ou PJ

Job summary

A Sylision procura um(a) Engenheiro(a) de Deep Learning Sênior para atuar com séries temporais no varejo. Você projetará e treinará redes neurais que lidem com sazonalidade, covariáveis de calendário e preço, buscando previsões probabilísticas calibradas e uma gestão de incerteza confiável.

Terá trabalho 100% remoto, contratação CLT ou PJ, treino em GPU e exportação para ONNX. A função envolve avaliação por janela deslizante por loja e classe de item, além de documentar causas de erros e

Qualifications

• Experiência em redes neurais para séries temporais com covariáveis.
• Treinamento reprodutível em GPU com memória e precisão mista.
• Comparação com métodos estatísticos (SARIMA, suavização) e avaliação de desempenho.

Responsibilities

• Escolher e treinar arquiteturas para séries temporais, com covariáveis de preço, calendário e promoção
• Produzir previsão probabilística com intervalos calibrados por horizonte
• Tratar demanda esporádica e censura causada por ruptura de estoque
• Montar a avaliação com janelas deslizantes, por classe de item e por loja
• Otimizar treino em GPU e exportar para inferência em lote com ONNX
• Definir o contrato de dados e a validação das séries de entrada
• Orientar engenheiros e cientistas sobre modelagem e padrão de avaliação

Skills

Deep learning

Time series forecasting

Tools

Python

PyTorch

TensorFlow

CUDA

ONNX

Docker

Git

Job description

Vaga aberta de Engenheiro(a) de Deep Learning Sênior (Séries Temporais no Varejo). A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision.

Nível: senior.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

Uma rede de varejo precisa prever a demanda de milhares de itens por loja, dia a dia, para decidir reposição e escala de equipe. A série de cada item tem sazonalidade semanal e anual, picos de promoção, feriado móvel, ruptura de estoque que esconde a venda real e muitos itens de venda esporádica, com a maioria dos dias em zero. Você vai projetar e treinar as redes neurais que fazem essa previsão em grande escala.

O desafio é duplo. De um lado, escolher a arquitetura certa para dados assim: modelos globais que aprendem de todas as séries ao mesmo tempo, tratamento de covariáveis conhecidas no futuro, como calendário e preço planejado, e previsão probabilística, porque o comprador precisa saber a faixa de incerteza e não só um número. De outro, a engenharia: treino em GPU que cabe no orçamento, inferência diária dentro de uma janela de poucas horas e reprodutibilidade de cada versão.

O resultado se mede em erro por horizonte e por classe de item, viés da previsão, calibração dos intervalos e ruptura evitada, comparados com o método estatístico atual. Você define o padrão de avaliação, trata incidente de previsão e orienta quem trabalha na frente.

O que você vai fazer:

• Escolher e treinar arquiteturas para séries temporais, com covariáveis de preço, calendário e promoção
• Produzir previsão probabilística com intervalos calibrados por horizonte
• Tratar demanda esporádica e censura causada por ruptura de estoque
• Montar a avaliação com janelas deslizantes, por classe de item e por loja
• Otimizar treino em GPU e exportar para inferência em lote com ONNX
• Definir o contrato de dados e a validação das séries de entrada
• Investigar semanas em que a previsão errou e documentar a causaOrientar engenheiros e cientistas sobre modelagem e padrão de avaliação

Requisitos:

• Redes neurais para sequência em PyTorch ou TensorFlow, com treino reprodutível
• Previsão de séries temporais e suas métricas, como MAPE, viés e erro quantílico
• Treino em GPU e noção de memória, lote e precisão mista
• Otimização para inferência: exportação, quantização e medição de latência
• Comparação honesta com linha de base estatística, como SARIMA ou suavização exponencial
• Docker, Git e revisão de código no dia a dia

Diferenciais:

• Modelos globais para milhares de séries com hierarquia produto, loja e região
• Previsão com conformal ou outra calibração formal de incerteza
• Conhecimento de reposição e de políticas de estoque
• Ajuste de CUDA e de dataloader para ocupar bem a GPU
• Prática de escrever relatório técnico lido por gente de negócio

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Cada nova versão do modelo entra primeiro em modo sombra, comparada com a previsão em uso, e só substitui depois de resultado revisado pelo time. As decisões de arquitetura ficam escritas e a revisão técnica é parte do ritmo normal.

Benefícios oferecidos pela empresa contratante:

• Ambiente colaborativo, com senso de comunidade e conquistas celebradas em equipe
• Trabalhe de qualquer lugar, com liberdade e flexibilidade
• Conexão global: convivência com times de diferentes países e culturas
• Apoio à saúde física com TotalPass e Mediquo
• Cuidado com a saúde mental pelo programa Team Care
• Contratação e jornada definidas com a empresa contratante

Tecnologias envolvidas:

• Python
• PyTorch
• TensorFlow
• CUDA
• ONNX
• Docker
• Git
• Séries temporais
• Otimização de inferência

Seus dados: tratados conforme a LGPD, com remoção a qualquer momento, a pedido.