Engenheiro(a) de Machine Learning Sênior (Monitoramento de Modelos na Logística)

confidential; United States; Remote; USD 46,000 - 71,000; Full time

Benefits offered by this job

Trabalho remoto 100%

Contrato CLT ou PJ

Benefícios de saúde

Job summary

A Sylision busca um Engenheiro(a) de Machine Learning Sênior para monitorar modelos em produção na área de logística, com atuação 100% remota. A seleção é conduzida pela Sylision para um cliente confidencial.

Você ficará responsável por monitorar deriva, qualidade de features e métricas de calibração, definindo alertas, retreinamento e documentação de incidentes. Requisitos incluem Python, scikit-learn, XGBoost, SQL, Docker, Airflow e MLflow.

Qualifications

• Experiência com modelos de ML em produção.
• Domínio de deriva de dados, testes estatísticos de distribuição e métricas de calibração.
• SQL avançado sobre grandes volumes de eventos.

Responsibilities

• Construir painéis e rotinas de deriva por feature, por região e por transportadora.
• Calcular desempenho com rótulo tardio e estimar erro enquanto o rótulo não chega.
• Definir limiares de alerta com base em histórico e revisá-los a cada ciclo.
• Automatizar gatilhos de retreino no Airflow, com validação antes da promoção.
• Registrar métricas no MLflow e manter caminho de reversão testado.
• Investigar causas de degradação de dados, código ou mundo real.
• Escrever guia de resposta a incidentes de modelo e conduzir revisões.

Tools

Python

scikit-learn

XGBoost

MLflow

SQL

Docker

Airflow

Monitoramento de deriva

MLOps

Git

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Sênior (Monitoramento de Modelos na Logística). A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision.

Nível: senior.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

Modelos de previsão de prazo de entrega, de risco de atraso por rota e de tempo de parada em cada ponto rodam todos os dias sobre milhões de eventos de rastreio. O dado muda sem aviso: uma transportadora troca o formato do código de ocorrência, uma região entra em período de chuva, um centro de distribuição passa a registrar a baixa de outro jeito. O modelo continua respondendo, só que errando mais, e ninguém percebe até o cliente reclamar do prazo prometido.

Você será responsável pelo monitoramento desses modelos em produção. Isso inclui deriva de entrada e de saída, qualidade das features que chegam do pipeline, e métricas de desempenho que dependem de um rótulo tardio: a entrega só se confirma dias depois, então é preciso acompanhar indicadores substitutos enquanto o rótulo real não chega. Também cabe a você calibrar alertas para não acordar o time à toa e definir o critério de quando retreinar, quando voltar para a versão anterior e quando apenas observar.

O resultado se mede pelo tempo entre o início da degradação e o primeiro alerta, pela fração de retreinos que de fato reduziu o erro na janela seguinte e pela queda de ocorrências operacionais causadas por previsão ruim.

O que você vai fazer:

• Construir painéis e rotinas de deriva por feature, por região e por transportadora
• Calcular o desempenho com rótulo tardio e estimar o erro enquanto o rótulo não chega
• Definir limiares de alerta com base em histórico e revisá-los a cada ciclo
• Automatizar gatilhos de retreino no Airflow, com validação antes da promoção
• Registrar versões, métricas e comparações no MLflow e manter o caminho de reversão testado
• Investigar degradações até a causa, no dado, no código ou no mundo real
• Escrever o guia de resposta a incidente de modelo e conduzir a revisão após cada caso
• Orientar outras pessoas do time sobre o que monitorar em cada novo modelo

Requisitos:

• Modelos tabulares em produção com Python, scikit-learn e XGBoost
• Domínio de deriva de dados, testes estatísticos de distribuição e métricas de calibração
• SQL avançado sobre grandes volumes de eventos
• Orquestração de pipelines e entendimento de falha parcial de dados
• Capacidade de decidir sob incerteza e explicar a decisão para a operação
• Boa escrita técnica para documentar critérios e incidentes

Diferenciais:

• Séries temporais de rastreio, rotas ou frete
• Experiência de campo com tratamento de rótulo atrasado
• Docker e implantação de serviços de inferência
• Noção de custo da previsão errada para a operação de entrega
• Prática em testes de dados na entrada do pipeline

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Toda mudança de limiar ou de regra de retreino passa por revisão de outra pessoa, e cada incidente de modelo vira um registro curto com causa, efeito e ação. O acompanhamento é semanal, olhando os mesmos indicadores de saúde dos modelos. 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
• Monitoramento de deriva
• MLOps
• Git