Engenheiro(a) de Machine Learning Pleno (Previsão de Churn na Educação)

confidential; United States; A distancia; USD 110.000 - 140.000; Jornada completa

Ventajas ofrecidas por este puesto de trabajo

Ambiente remoto e flexível

Trabalho remoto com integração global

Apoio a saúde e bem-estar

Descripción de la vacante

A Sylision, cliente estratégico, busca um Engenheiro(a) de Machine Learning Pleno para atuar em um projeto de previsão de churn na educação, com atuação 100% remota. O desafio envolve estruturar variáveis, evitar vazamento e entregar modelos robustos para produção.

O profissional trabalhará com scikit-learn, XGBoost e MLflow, calibrando probabilidades, definindo pontos de corte com a equipe de relacionamento e gerenciando pipelines com Airflow.

Formación

• Domínio de árvores de decisão e calibração de modelos.
• Conhecimento em SQL para montar tabelas de treino com corte temporal.
• Experiência em MLOps, versionamento, monitoramento e experimentação.

Responsabilidades

• Construir variáveis de frequência, notas, pagamentos com cuidado para evitar vazamento.
• Treinar e comparar modelos com scikit-learn e XGBoost, validando por corte temporal.
• Calibrar probabilidades e definir o ponto de corte com a equipe de relacionamento.
• Registrar experimentos com MLflow e orquestrar pipelines com Airflow.
• Monitorar deriva de dados e planejar retreinamento em Docker.
• Desenhar teste com grupo de controle para medir ganhos reais.

Conocimientos

Tree-based models

Calibração de probabilidades

Raciocínio estatístico

Design de experimentos

Herramientas

Python

scikit-learn

XGBoost

MLflow

SQL

Docker

Airflow

Git

Descripción del empleo

Vaga aberta de Engenheiro(a) de Machine Learning Pleno (Previsão de Churn na Educação)

Nível: pleno.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

Todo semestre, uma parte dos alunos de uma instituição de ensino deixa de renovar a matrícula. Quando a secretaria percebe, o aluno já parou de ir às aulas, atrasou duas mensalidades e não responde. Você vai construir o modelo que aponta, com semanas de antecedência, quem tem maior chance de sair, para a equipe de relacionamento agir a tempo.

Os dados vêm de lugares diferentes: frequência por disciplina, notas parciais, atrasos de pagamento, contatos com a secretaria, uso do portal. O cuidado está em montar as variáveis sem vazamento, só com informação disponível na data da previsão, e em validar por período, e não por sorteio. A taxa de saída muda entre cursos e turnos, e um modelo único pode errar feio em um deles.

O modelo vai a produção com pontuação semanal, monitoramento de deriva e retreino programado. Funciona se o grupo contactado tiver mais retenção que um grupo de controle, e não só se a métrica de laboratório for alta.

O que você vai fazer:

• Construir as variáveis de frequência, nota, pagamento e contato com cuidado contra vazamento
• Treinar e comparar modelos com scikit-learn e XGBoost, validando por corte temporal
• Calibrar as probabilidades e definir o ponto de corte com a equipe de relacionamento
• Registrar experimentos e versões de modelo com MLflow
• Orquestrar a pontuação semanal e o retreino no Airflow, empacotados em Docker
• Monitorar deriva de dados e queda de desempenho, com alerta e plano de retreino
• Desenhar o teste com grupo de controle para medir o ganho real da ação de retenção

Requisitos:

• Python para dados e modelagem, com scikit-learn
• Domínio de modelos de árvores e do que vem com eles, como importância e calibração
• SQL para montar tabelas de treino por data de corte
• Noção de MLOps: versionamento, empacotamento e monitoramento
• Raciocínio estatístico para validar e para desenhar experimentos
• Entrega em produção com testes, Git e revisão de código

Diferenciais:

• Conhecimento de explicabilidade, como SHAP
• Contato com dados escolares ou de assinatura recorrente
• Experiência em modelos de sobrevivência
• Prática com Feature Store
• Noção de justiça e viés em modelos que afetam pessoas

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. O modelo e as variáveis passam por revisão em par antes de ir para produção, e os resultados do grupo de controle são apresentados todo semestre a quem decide as ações. 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
• Monitoramento de modelos

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