Engenheiro(a) de Machine Learning Pleno (Precificação Dinâmica em Seguros)

Sylision; United States; Remote; USD 90,000 - 150,000; Full time

Benefits offered by this job

Ambiente colaborativo

Trabalho remoto

Conexão global

Apoio à saúde física e mental

Job summary

A Sylision busca um Engenheiro(a) de Machine Learning Pleno para atuar na precificação dinâmica em seguros, desenvolvendo modelos para estimar risco e a probabilidade de aceitação de propostas com base em perfil, veículo, região e histórico de sinistros. O trabalho é 100% remoto, com contratação CLT ou PJ.

Você publicará os modelos com versionamento, monitorará deriva e integrará com Airflow, MLflow e CI. Experiência com Python, scikit-learn e XGBoost é essencial, e a empresa oferece um ambiente

Qualifications

• Python, scikit-learn e XGBoost aplicados a dados tabulares.
• Modelagem de frequência e severidade, ou para eventos raros.
• Calibração e validação temporal com métricas por segmento.
• SQL para montar conjuntos de treino confiáveis.
• Registro de experimentos com MLflow, Docker e CI.

Responsibilities

• Construir features de perfil, veículo, região e histórico sem vazamento de informação futura.
• Treinar modelos de frequência e de severidade e combiná-los em risco esperado.
• Estimar a probabilidade de aceite por faixa de preço e tratar o viés de seleção.
• Validar calibração e ordenação por segmento, com atenção às caudas.
• Publicar os modelos com versão, teste e plano de volta, e orquestrar o retreino no Airflow.
• Conduzir testes controlados de preço com a área comercial e o atuário.
• Monitorar deriva da carteira e desempenho dos modelos por segmento.

Skills

Python

Scikit-learn

Gradient boosting

SQL

MLflow

Airflow

Docker

Git

Tools

Docker

Airflow

MLflow

Git

SQL

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Pleno (Precificação Dinâmica 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:

O prêmio de um seguro de automóvel depende do perfil do segurado, do veículo, da região e do histórico de sinistros, e o mercado reage rápido: um concorrente baixa o preço em um segmento e a carteira migra em semanas. Você vai construir os modelos que apoiam a precificação dinâmica, estimando o risco de cada proposta e a chance de ela ser aceita com um determinado preço.

Há duas previsões e elas se tensionam. A primeira é a frequência e a severidade esperadas de sinistro, com poucos eventos raros e caudas pesadas. A segunda é a elasticidade do cliente ao preço, observada apenas nas propostas que o preço atual deixou chegar. O desenho precisa tratar viés de seleção, respeitar variáveis proibidas por regulação, ser explicável para o atuário e estável o bastante para o preço não mudar de forma errática de um dia para outro.

Os resultados se medem por razão de sinistralidade da carteira, capacidade de ordenar risco, calibração do prêmio, conversão e retenção, comparados em teste controlado quando possível. Você entrega a frente completa, de features a monitoramento.

O que você vai fazer:

• Construir features de perfil, veículo, região e histórico sem vazamento de informação futura
• Treinar modelos de frequência e de severidade e combiná-los em risco esperado
• Estimar a probabilidade de aceite por faixa de preço e tratar o viés de seleção
• Validar calibração e ordenação por segmento, com atenção às caudas
• Garantir que variáveis restritas por regulação não entrem direta nem indiretamente
• Publicar os modelos com versão, teste e plano de volta, e orquestrar o retreino no Airflow
• Conduzir testes controlados de preço com a área comercial e o atuário
• Monitorar deriva da carteira e desempenho dos modelos por segmento

Requisitos:

• Python, scikit-learn e gradiente de árvores aplicados a dados tabulares
• Modelagem de frequência e severidade, ou de problema com eventos raros e cauda pesada
• Calibração e validação temporal, com leitura crítica de métrica por segmento
• SQL para montar conjuntos de treino confiáveis
• Registro de experimentos e implantação com MLflow, Docker e rotina de CI
• Capacidade de explicar o modelo a atuários e a áreas de negócio

Diferenciais:

• Modelos lineares generalizados e noções de ciência atuarial
• Inferência causal para estimar elasticidade de preço
• Restrições monotônicas e outras técnicas de explicabilidade
• Conhecimento de regras da SUSEP sobre precificação
• Prática com monitoramento de deriva e de política de retreino

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Modelo de preço só avança com revisão do atuário e da área jurídica, e cada decisão é registrada com o resultado do teste que a sustentou. O time se encontra toda semana para ler o painel de carteira e discutir desvios.

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
• Modelos lineares generalizados

Seus dados:

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