Engenheiro(a) de Machine Learning Sênior (Previsão de Demanda em Bancos Digitais)

confidential; United States; Remote; USD 33,000 - 47,000; Full time

Benefits offered by this job

Ambiente colaborativo

Trabalho remoto

Conexão global

TotalPass e Mediquo

Team Care

Job summary

A Sylision está contratando Engenheiro(a) de Machine Learning Sênior para atuar em Previsão de Demanda em Bancos Digitais, com foco em modelos de séries temporais e árvores com variáveis exógenas. Trabalho 100% remoto, contratação CLT ou PJ, nível sênior.

Você construirá previsões com intervalos, modelará calendários e campanhas, e poderá retreinar modelos conforme necessidade, com publicação automatizada para equipes de planejamento e operações usando Airflow.

Qualifications

• Previsão de séries temporais em ambiente real, com sazonalidade e eventos.
• Validação temporal sem vazamento com métricas adequadas.
• Capacidade de colocar modelos em produção com versionamento e monitoramento.
• Conhecimentos avançados de Python e SQL para transformar dados em decisões.

Responsibilities

• Construir previsões de volume em vários horizontes (diário a trimestral).
• Modelar efeitos de calendário, feriado, pagamentos e campanhas.
• Comparar modelos de séries temporais com árvores exógenas em janelas móveis.
• Gerar intervalos de previsão calibrados e verificar cobertura.
• Automatizar treino, previsão e publicação via Airflow.
• Monitorar erro e viés em produção e acionar retreino quando necessário.
• Comunicar incerteza de forma clara para usuários.

Skills

Python

SQL

Séries temporais

Comunicação de incerteza

Validação temporal

Tools

scikit-learn

XGBoost

MLflow

Airflow

SQL

Docker

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Sênior (Previsão de Demanda em Bancos Digitais). 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:

Um banco digital precisa saber quanto vai ser pedido: ligações ao atendimento por hora, saques e movimentação de caixa, pedidos de cartão novo, pagamentos de fatura no vencimento. Errar para menos deixa fila e cliente irritado, errar para mais custa equipe ociosa e dinheiro parado. O comportamento tem padrões fortes (dia da semana, quinto dia útil, véspera de feriado) e choques que a série sozinha não explica, como uma campanha ou uma instabilidade no aplicativo.

Você vai construir modelos de previsão por horizonte e por granularidade, com variáveis de calendário, de campanha e de produto, e entregar números que as áreas usam para planejar. A previsão vem com intervalo, porque quem dimensiona equipe quer saber o pior caso razoável, não apenas a média. A escolha entre um modelo clássico de séries e um modelo de árvores com variáveis exógenas é decidida pelo erro medido em validação temporal.

O desempenho é acompanhado em produção: erro percentual por dia e por horizonte, viés sistemático, cobertura do intervalo e custo do erro para a operação. O modelo roda em rotina, é retreinado quando perde qualidade e tem um plano de contingência para quando o dado de entrada atrasa.

O que você vai fazer:

• Construir previsões de volume em vários horizontes, do dia seguinte ao trimestre
• Modelar efeitos de calendário, de feriado, de pagamento de salário e de campanha
• Comparar modelos de séries temporais e modelos de árvores com validação em janelas móveis
• Gerar intervalos de previsão calibrados e verificar a cobertura real
• Automatizar o treino, a previsão e a publicação para os times usuários no Airflow
• Acompanhar erro e viés em produção e acionar retreino quando houver degradação
• Conversar com planejamento e operação sobre o custo de errar para cima e para baixo

Requisitos:

• Previsão de séries temporais em ambiente real, com sazonalidade múltipla e eventos
• Validação temporal sem vazamento e métricas adequadas, como erro percentual ponderado
• Colocar modelo em produção com versionamento, rotina de execução e monitoramento
• Python e SQL avançados
• Capacidade de transformar previsão em decisão de dimensionamento
• Comunicação clara de incerteza a quem usa o número

Diferenciais:

• Experiência com operação de atendimento ou de pagamentos
• Previsão hierárquica, em que o total e as partes precisam bater
• Modelos probabilísticos e quantílicos
• Tratamento de dado atrasado ou revisado depois da primeira divulgação
• Conhecimento de regras de liquidação e de calendário bancário

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. O erro de cada previsão é publicado para quem a usa, e a conversa com as áreas sobre o que deu errado faz parte da rotina. Mudanças no modelo são revisadas por outra pessoa e testadas contra o histórico recente antes de entrar. 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
• Airflow
• SQL
• Docker

Seus dados:

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