Engenheiro(a) de Machine Learning Pleno (Recomendação de Produtos no Varejo)

confidential; United States; Remote; USD 90,000 - 120,000; Full time

Benefits offered by this job

Remote work

Flexible schedule

Global team

Health coverage

Mental health program

Defined contract

Job summary

A Sylision procura Engenheiro(a) de Machine Learning pleno para projetar soluções de Recomendação de Produtos no Varejo. A posição é 100% remota e envolve entrega ponta a ponta, desde o pipeline de dados até o monitoramento em produção.

Você trabalhará com Python, scikit-learn, XGBoost, MLflow e SQL, empacotando o modelo em Docker, com Airflow e Git. A experiência com avaliação por nDCG/MAP, governança de experimentos e LGPD é desejável.

Qualifications

• Python para dados com bibliotecas de ML
• Experiência com modelagem de ranking/recomendação
• Validação temporal e monitoramento de produção

Responsibilities

• Construir features de comportamento, produto e contexto com treino e produção consistentes
• Treinar e comparar modelos de ranking e de propensão com validação temporal
• Tratar frio de cliente/produto com regras e modelos próprios
• Filtrar por estoque, margem e regras comerciais antes de exibir recomendações
• Orquestrar treino e geração de listas com Airflow e MLflow
• Empacotar o modelo em Docker e gerenciar versão
• Desenhar e analisar testes A/B com métricas de negócio e diversidade
• Monitorar deriva de dados e decidir quando retreinar

Skills

Python

scikit-learn

XGBoost

Ranking models

SQL

Git

Docker

Airflow

MLflow

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Pleno (Recomendação de Produtos no Varejo)

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:

A vitrine digital de uma rede de varejo mostra centenas de itens por visita, e a ordem em que eles aparecem decide boa parte da venda. Você vai trabalhar no modelo que ordena produtos para cada cliente: quem comprou fralda costuma voltar para lenços, quem olhou uma geladeira talvez precise de frete, e quem nunca comprou nada ainda não tem histórico. Cada um desses casos pede uma estratégia diferente.

Os problemas reais estão nos dados. Produto novo não tem histórico, item sem estoque não pode ser recomendado, promoção distorce o comportamento de compra por uma semana e depois some. As features precisam ser calculadas do mesmo jeito no treino e na produção, senão o modelo brilha na validação e decepciona no site. A validação tem de respeitar o tempo, sem usar o futuro para prever o passado.

Você mede o resultado por teste controlado: taxa de clique, conversão, itens por pedido e receita por visita, comparados com o grupo sem o modelo, além de cobertura do catálogo e diversidade para o modelo não empurrar sempre os mesmos itens. Entrega uma frente inteira, do pipeline de dados ao monitoramento.

O que você vai fazer:

• Construir features de comportamento, produto e contexto com cálculo idêntico no treino e na produção
• Treinar e comparar modelos de ranking e de propensão com validação temporal
• Tratar partida fria de cliente novo e de produto novo com regras e modelos próprios
• Filtrar por estoque, margem e regras comerciais antes de exibir a recomendação
• Orquestrar treino e geração de lista no Airflow, com registro de experimentos no MLflow
• Empacotar o modelo em Docker e publicar com versão e plano de volta
• Desenhar e analisar testes A/B com métricas de negócio e de diversidade
• Monitorar deriva de dados e queda de desempenho, e decidir quando retreinar

Requisitos:

• Python para dados, com scikit-learn e gradiente de árvores como XGBoost
• Modelagem de ranking ou de recomendação e suas métricas, como nDCG e MAP
• SQL avançado para montar conjuntos de treino sem vazamento de informação
• Validação temporal e leitura honesta de teste A/B
• Versionamento de experimentos e de modelos com MLflow ou equivalente
• Git, Docker e rotina de revisão de código

Diferenciais:

• Filtragem colaborativa e embeddings de produto
• Conhecimento de sazonalidade e promoção no varejo
• Serviço de features online com baixa latência
• Otimização de múltiplos objetivos, como receita e diversidade
• Gosto por escrever o que o modelo aprendeu e onde ele falha

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. O modelo evolui em ciclos curtos: hipótese, experimento, leitura do resultado com produto e decisão registrada. Pull request é revisado por outra pessoa de dados, e o painel de desempenho em produção fica aberto para todo o time. 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
• Ranking

Seus dados:

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