Engenheiro(a) de Machine Learning Sênior (Previsão de Demanda no Setor de Energia)

confidential; United States; Remote; USD 140,000 - 190,000; Full time

Benefits offered by this job

Trabalho remoto 100%

Trabalho com cliente de Sylision

Equipe multidisciplinar

Horário flexível

Job summary

A Sylision procura um Engenheiro(a) de Machine Learning Sênior para desenvolver previsões de demanda no setor de energia, com implantação em produção. O cargo envolve trabalhar de forma remota, com foco em pipeline, validação e escalonamento de modelos para operações em tempo real.

Você irá treinar modelos, manter dashboards de desempenho e colaborar com equipes para ajustar previsões conforme variações de calendário, clima e carga.

Qualifications

• Domínio de séries temporais com efeitos de calendário e clima.
• Validação de modelos sem vazamento de futuro.
• Experiência com pipelines de ML em produção (MLOps).

Responsibilities

• Construir variáveis de calendário, temperatura e histórico de carga.
• Treinar modelos por subestação e alimentador com validação deslizante.
• Reconciliar previsões hierárquicas para fechamento com o total.
• Tratar medições ausentes, repetidas ou zeradas antes do treino.
• Orquestrar treino e inferência diária no Airflow com alertas de falha.
• Registrar experimentos e versões no MLflow e promover modelos com critério.
• Monitorar deriva e erro por horizonte, acionando retreino.
• Orientar outros membros da equipe e definir padrões de modelagem da frente.

Skills

Time series forecasting

MLOps

Model validation

Mentoria de time

Tools

XGBoost

scikit-learn

MLflow

Airflow

SQL

Python

Docker

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Sênior (Previsão de Demanda no Setor de Energia). 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:

Quem opera a rede elétrica precisa saber a carga de cada subestação e de cada alimentador nas próximas horas e dias. Errar para menos pode sobrecarregar um transformador; errar para mais gera compra de energia desnecessária. A série tem forte efeito de temperatura, feriado, horário de verão e eventos locais, e as medições chegam com falhas, repetidas ou zeradas por problema no medidor.

Você vai construir e manter a previsão em produção: engenharia de variáveis com calendário e clima, modelos por nível da hierarquia, reconciliação entre o total da região e a soma dos alimentadores, validação com janela deslizante e avaliação por horizonte. O pipeline roda todos os dias no Airflow, registra experimentos e versões no MLflow e entrega a previsão para o sistema de operação.

Funcionou quando o erro percentual cai nos horários de pico, quando a falha de um medidor não contamina a previsão e quando o retreino dispara por deriva medida, não por calendário, com comparação automática contra o modelo em uso.

O que você vai fazer:

• Construir variáveis de calendário, temperatura e histórico de carga
• Treinar modelos por subestação e por alimentador com validação deslizante
• Reconciliar previsões hierárquicas para que a soma feche com o total
• Tratar medição ausente, repetida ou zerada antes do treino
• Orquestrar treino e inferência diária no Airflow com alertas de falha
• Registrar experimentos e versões no MLflow e promover modelos com critério
• Monitorar deriva e erro por horizonte, acionando retreino
• Orientar outras pessoas do time e definir o padrão de modelagem da frente

Requisitos:

• Previsão de séries temporais com efeitos de calendário e de clima
• Modelos de árvores, como XGBoost, e regressões regularizadas
• Validação adequada a série, sem vazamento de futuro
• MLOps: pipeline agendado, registro de modelo e monitoramento
• SQL e Python de produção, com teste
• Decisão de desenho e responsabilidade por incidente em produção

Diferenciais:

• Previsão hierárquica ou por grupos de séries
• Conhecimento do setor elétrico, de carga e de perdas
• Quantis e previsão probabilística para planejamento de risco
• Uso de previsões de clima como entrada do modelo
• Experiência em modelos de deep learning para séries

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. O time revisa toda mudança de modelo com a comparação contra a versão em produção. O erro por horizonte é acompanhado toda semana, e o que subiu vira tarefa com responsável.

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
• Previsão de demanda
• XGBoost
• scikit-learn
• MLflow
• Airflow
• SQL
• Docker

Seus dados:

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