Engenheiro(a) de Machine Learning Pleno (Previsão de Demanda em Telecom)

confidential; United States; Remote; USD 24,000 - 39,000; Full time

Job summary

A Sylision busca Engenheiro(a) de Machine Learning Pleno para atuar com previsões de demanda em telecomunicações, incluindo séries temporais, janela móvel e métricas de erro. O papel exige domínio de Python, scikit-learn e técnicas de boosting, com entrega ponta a ponta e orquestração em produção.

O trabalho é 100% remoto, com contratação CLT ou PJ, visando cliente sediado em São Paulo. Serão trabalhadas previsões por região, com features de calendário e eventos, além de monitoramento e

Qualifications

• Python, scikit-learn e boosting aplicados a séries temporais.
• Validação com janelas móveis e cuidado contra vazamento de dados futuros.
• Métricas de erro de previsão e leitura por horizonte para séries de grande volume.
• MLflow, Docker e orquestração em produção.
• Entrega de uma frente de ponta a ponta e decisão dentro dela.

Responsibilities

• Montar séries por região e por tipo de serviço, tratando lacunas e quedas de rede.
• Construir features de calendário, de campanha e de evento.
• Treinar modelos de previsão com boosting e comparar com métodos clássicos de referência.
• Validar com janelas móveis no tempo, respeitando a ordem dos dados.
• Quantificar a incerteza e entregar a previsão em intervalo.
• Orquestrar treino e geração diária das previsões com Airflow.
• Monitorar erro por região e disparar retreino quando o desvio passar do limite.
• Explicar a previsão ao planejamento de rede e ajustar com observações.

Skills

Python

scikit-learn

Time series forecasting

Boosting

MLOps

Airflow

Tools

MLflow

Docker

SQL

Git

XGBoost

Séries temporais

Job description

Engenheiro(a) de Machine Learning Pleno (Previsão de Demanda em Telecom)

Nível: pleno.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

A operadora de telecom precisa prever a demanda de tráfego e de atendimento por região: quantos usuários vão consumir dados em cada célula nas próximas semanas, quanto de capacidade ativar, quantas ligações a central vai receber depois de uma mudança de tarifa e quantos chips de reposição estocar. Previsão ruim vira rede congestionada ou capacidade ociosa.

Os padrões têm camadas: sazonalidade semanal, feriado, evento esportivo, lançamento de aparelho, campanha comercial e, de vez em quando, uma queda de rede que distorce o histórico. Você usa modelos de previsão que combinam variáveis externas com a série e avalia por horizonte, por região e pelo erro nos picos, que é onde a decisão custa mais.

Você mede por erro percentual absoluto médio por horizonte, viés da previsão, qualidade nos dias de pico e decisões de capacidade tomadas com base nela.

O que você vai fazer:

• Montar séries por região e por tipo de serviço, tratando lacunas e quedas de rede
• Construir features de calendário, de campanha e de evento
• Treinar modelos de previsão com boosting e comparar com métodos clássicos de referência
• Validar com janelas móveis no tempo, respeitando a ordem dos dados
• Quantificar a incerteza e entregar a previsão em intervalo, e não só em ponto
• Orquestrar treino e geração diária das previsões com Airflow
• Monitorar erro por região e disparar retreino quando o desvio passar do limite
• Explicar a previsão ao planejamento de rede e ajustar com o que eles observam

Requisitos:

• Python, scikit-learn e boosting aplicados a séries temporais
• Validação com janelas móveis e cuidado contra vazamento de dados futuros
• Métricas de erro de previsão e leitura por horizonteSQL para preparar séries de grande volume
• MLflow, Docker e orquestração em produção
• Entrega de uma frente de ponta a ponta e decisão dentro dela

Diferenciais:

• Ter usado bibliotecas de previsão como Prophet ou statsforecast
• Conhecimento de dados de rede móvel, como tráfego por célula
• Previsão hierárquica e reconciliação por região
• Prática com previsão probabilística

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Cada modelo novo é comparado com a referência simples antes de seguir adiante, e a mudança passa por revisão de outra pessoa do time. O erro das previsões é publicado todo dia e discutido com o planejamento. 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
• Séries temporais
• MLflow
• SQL
• Docker
• Airflow
• Git

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