Engenheiro(a) de Machine Learning Pleno (Detecção de Fraude em Seguros)

Sylision; United States; Remote; USD 33,000 - 44,000; Full time

Benefits offered by this job

Ambiente colaborativo

Trabalhe remoto

Conexão global

Apoio à saúde

Team Care

Contrato CLT/PJ

Job summary

A Sylision está buscando um(a) Engenheiro(a) de Machine Learning Pleno com foco em Detecção de Fraude em Seguros. O profissional trabalhará 100% remoto para cliente com sede em Minas Gerais, no Brasil, utilizando Python, scikit-learn, XGBoost e outras ferramentas modernas.

O papel envolve construção de features, treinamento de modelos de árvores com tratamento de classes raras, gestão de rótulos atrasados e implantação com monitoramento de deriva de dados.

Qualifications

• Experiência com ML em detecção de fraude (seguros).
• Conhecimento em validação temporal e tratamento de dados com classes raras.
• Proficiência em Python, SQL e bibliotecas/ ferramentas de ML.

Responsibilities

• Construir features de sinistros, segurado, apólice e relacionamentos (grafo).
• Treinar modelos de árvores com tratamento de classe rara e validação temporal.
• Lidar com rótulos atrasados e viés de seleção com amostragem de auditoria quando possível.

Skills

Feature engineering

Model evaluation

Experimentação

Tools

Python

SQL

scikit-learn

XGBoost

MLflow

Docker

Airflow

Git

Grafos

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Pleno (Detecção de Fraude em Seguros). A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision.

Nível: pleno.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

Em seguro de automóvel, parte dos sinistros é fraude: dano combinado, peça superfaturada, o mesmo prestador aparecendo em casos que não deveriam ter relação. A equipe de investigação é pequena e só consegue olhar uma fração dos casos, então o modelo precisa entregar uma fila ordenada em que os primeiros itens valham o tempo dos investigadores.

Os dados dificultam. O rótulo de fraude chega meses depois, quando a investigação termina, e só existe para os casos que alguém decidiu investigar, o que carrega o viés da própria regra antiga. A fraude representa uma pequena fração dos sinistros, e os fraudadores mudam de padrão assim que são pegos. Relações entre segurado, oficina, perito e placa dizem mais do que cada sinistro isolado, e entram como atributos de grafo.

A medida de sucesso é a precisão nos primeiros casos da fila, o valor recuperado ou evitado, o custo dos falsos positivos para o segurado honesto e a estabilidade do modelo ao longo dos meses.

O que você vai fazer:

• Construir features de sinistro, segurado, apólice, prestador e relacionamento entre eles, respeitando o que se sabia na data do aviso
• Treinar modelos de árvores com tratamento de classe rara e validação temporal
• Lidar com rótulos atrasados e com viés de seleção, usando amostragem de auditoria quando possível
• Definir a pontuação e o corte pela capacidade da equipe de investigação e pelo custo de cada erro
• Colocar o modelo em produção com versionamento, retreino orquestrado e comparação com o modelo anterior
• Monitorar deriva de dados e queda de desempenho assim que os rótulos amadurecem
• Gerar o motivo de cada alerta para o investigador entender por que o caso subiu
• Rever com os investigadores os falsos positivos e os casos perdidos para melhorar o modelo

Requisitos:

• Python, scikit-learn e gradient boosting em problemas com classe rara
• Validação temporal e entendimento de vazamento de informação
• SQL para construir atributos a partir de várias tabelas
• Métricas adequadas a fila de investigação, como precisão no topo e recuperação por volume revisado
• Noção de implantação e monitoramento de modelo
• Docker e Git no dia a dia

Diferenciais:

• Atributos de grafo e detecção de comunidades de relacionamento
• Detecção de anomalias como complemento ao modelo supervisionado
• Conhecimento do processo de sinistro de automóvel
• Explicabilidade por alerta, com SHAP ou equivalente
• Cuidado com decisões automatizadas e a revisão prevista na LGPD

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em Minas Gerais. O modelo é revisado por outra pessoa e apresentado aos investigadores antes de cada mudança de corte. Os resultados, com casos confirmados e falsos positivos, são acompanhados em encontro mensal com a área de prevenção a fraudes. Na candidatura, informe a sua pretensão salarial.

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
• scikit-learn
• XGBoost
• MLflow
• SQL
• Docker
• Airflow
• Git
• Análise de grafos

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