Engenheiro(a) de Machine Learning Pleno (Precificação Dinâmica em Bancos Digitais)

confidential; United States; Remote; USD 120.000 - 180.000; Vollzeit

Benefits dieser Stelle

Ambiente colaborativo

Trabalho remoto 100%

Conexão com times internacionais

Apoio à saúde

Programa de bem-estar corporativo

Jornada contratual definida

Zusammenfassung

Engenheiro(a) de ML pleno para precificação dinâmica em bancos digitais, com atuação 100% remota. Recrutamento conduzido pela Sylision. Requisito: Python, scikit-learn, XGBoost, MLflow, SQL, Docker e Airflow.

O papel envolve construir modelos de aceitação e inadimplência por faixa de taxa, estimar elasticidade e desenhar o otimizador respeitando limites regulatórios. Você irá montar testes controlados, implantar serviços de decisão com versionamento e monitorar deriva de variáveis, assegurando

Qualifikationen

• Modelagem supervisionada com gradient boosting e calibração
• Noções de inferência causal ou experimentação para separar correlação
• SQL e Python em produção, com testes
• Rotina de MLOps: versionamento, deployment e monitoramento
• Autonomia para conduzir uma frente completa de ML
• Explicação de decisões em linguagem clara para atendimento

Aufgaben

• Construir modelos de probabilidade de aceite e inadimplência por faixa de taxa
• Estimar elasticidade-preço com dados de experimento e correção de viés
• Montar o otimizador que escolhe a taxa respeitando teto/piso e políticas
• Desenhar testes controlados com grupo de comparação e duração definida
• Implementar serviço de decisão com versions registradas
• Monitorar deriva das variáveis, aceite e inadimplência por safra
• Gerar explicações de cada decisão para atendimento ao cliente

Kenntnisse

Python

SQL

Experimentação

Inferência causal

Tools

XGBoost

scikit-learn

MLflow

Docker

Airflow

Git

Jobbeschreibung

Engenheiro(a) de Machine Learning Pleno (Precificação Dinâmica em Bancos Digitais)

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:

Um banco digital oferece crédito pessoal e limite de cartão a milhões de clientes, e a taxa oferecida a cada pessoa define tanto a aceitação quanto a margem. Você vai construir o modelo de precificação dinâmica que recomenda a taxa dentro de faixas permitidas, equilibrando a probabilidade de aceite, o risco de inadimplência e o retorno esperado.

O problema é mais do que prever. Preço alto demais afasta bons clientes e atrai os que não têm alternativa, o que piora a carteira. Dados históricos refletem a política antiga, o que enviesa a estimativa de elasticidade, e só experimento controlado separa efeito de correlação. Existem ainda restrições de negócio e regulatórias, como limites de taxa e a necessidade de explicar a decisão ao cliente.

O modelo é considerado bom quando eleva a margem ajustada ao risco em teste controlado sem piorar a inadimplência, respeita todos os limites e pode ser explicado por faixas de variáveis.

O que você vai fazer:

• Construir modelos de probabilidade de aceite e de inadimplência por faixa de taxa
• Estimar elasticidade-preço com dados de experimento e correção de viés de seleção
• Montar o otimizador que escolhe a taxa respeitando teto, piso e restrições de política
• Desenhar testes controlados com grupo de comparação e duração definida
• Implantar o serviço de decisão com versões do modelo registradas e retorno rápido
• Monitorar deriva das variáveis, aceite e inadimplência por safra
• Gerar a explicação de cada decisão em linguagem clara para atendimento

Requisitos:

• Modelagem supervisionada com gradient boosting e avaliação de calibração
• Noções de inferência causal ou experimentação, para separar efeito de correlação
• SQL e Python em produção, com testes
• Rotina de MLOps: versão, implantação e monitoramento
• Cuidado com viés e com restrições regulatórias de crédito
• Autonomia para conduzir uma frente completa e decidir dentro dela

Diferenciais:

• Experiência com otimização sob restrições
• Familiaridade com bandits contextuais
• Conhecimento de métricas de carteira de crédito, como safra e perda esperada
• Prática com explicabilidade, como valores de Shapley

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Todo experimento tem hipótese e critério de parada escritos antes de começar, e os resultados são apresentados a risco e finanças em formato fixo. Revisão de código e de modelo por outra pessoa é regra. 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
• Experimentação

Seus dados:

tratados conforme a LGPD, com remoção a qualquer momento, a pedido.