Engenheiro(a) de Machine Learning Sênior (Score de Crédito em Meios de Pagamento)

confidential; United States; Remote; USD 47,000 - 76,000; Full time

Benefits offered by this job

Ambiente colaborativo

Liberdade e flexibilidade

Conexão global

Saúde física (TotalPass)

Job summary

Sylision procura Engenheiro(a) de Machine Learning Sênior para construir e manter modelos de score de crédito em meios de pagamento, com foco em inadimplência e calibração de probabilidades.

A posição é 100% remota e contratada sob CLT ou PJ, com atuação em governo de risco, auditoria e explicabilidade de decisões. Espera-se experiência em risco de crédito, dados transacionais e pipelines de ML.

Qualifications

• Definição de default, safras e métricas de risco (KS, AUC).
• Capacidade de calibrar probabilidades de crédito.
• Explicabilidade de modelos em decisão regulada.

Responsibilities

• Definir o evento de inadimplência, janela de observação e tratamento de amostras sem desfecho.
• Construir variáveis de comportamento transacional com agregações temporais, evitando vazamento de dados.
• Treinar e comparar modelos de gradiente e regressão logística com validação por safra.
• Calibrar probabilidades e traduzir em faixas de risco ligadas a limite e preço.
• Gerar explicações por decisão e por variável, revisar efeito com a área de risco.
• Medir estabilidade da população e do desempenho, acionar revisão quando houver desvio.
• Versionar dados, modelos e política, mantendo trilha de auditoria completa.

Skills

Risco de crédito

Default

KS/AUC

Calibração

Tools

Airflow

Docker

Git

Python

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Sênior (Score de Crédito em Meios de Pagamento). 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:

Numa empresa de meios de pagamento, o score de crédito decide quanto antecipar de recebíveis a um lojista ou qual limite oferecer a um portador. Você vai construir e manter o modelo que estima a probabilidade de inadimplência a partir do histórico transacional: volume de vendas, sazonalidade, taxa de chargeback, concentração de clientes, comportamento de recebimento e dados cadastrais.

A modelagem de crédito tem armadilhas próprias. Quem foi recusado não tem desfecho observado e distorce o treino, um rótulo de inadimplência só amadurece depois de muitos meses, e a política mudou ao longo do histórico. Há exigência de explicar o motivo de uma decisão, de evitar discriminação e de justificar o modelo à área de risco e à auditoria. O sucesso se mede em poder de separação (KS, AUC), em estabilidade por safra, em calibração das probabilidades e em perda evitada.

O que você vai fazer:

• Definir o evento de inadimplência, a janela de observação e o tratamento de amostras sem desfecho
• Construir variáveis do comportamento transacional com agregações temporais, sem vazamento do futuro
• Treinar e comparar modelos de gradiente e de regressão logística, com validação por safra
• Calibrar as probabilidades e traduzi-las em faixas de risco ligadas a limite e a preço
• Gerar explicações por decisão e por variável, e revisar efeito de cada uma com a área de risco
• Medir estabilidade da população e do desempenho, e acionar a revisão quando houver desvio
• Versionar dados, modelos e política, mantendo trilha de auditoria completa

Requisitos:

• Modelagem de risco de crédito: definição de default, safras, KS, AUC, calibração
• Tratamento de viés de seleção e de inferência de rejeitados
• Treino e validação de modelos tabulares com cuidado contra vazamento de dados
• Explicabilidade de modelos e critérios para modelos permitidos em decisão regulada
• SQL, Python, MLflow e orquestração de pipelines em produção
• Interlocução com risco, jurídico e auditoria

Diferenciais:

• Conhecimento da regulação brasileira de crédito e de proteção de dados
• Ter feito monitoramento de modelo de crédito em produção
• Prática com restrições de monotonicidade em modelos de gradiente
• Noção de fraude e de sua diferença em relação ao risco de crédito

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Modelos de crédito só vão para produção depois de validação independente de outra pessoa do time e de aprovação da área de risco. As decisões de variável e de corte ficam registradas, e o desempenho por safra é revisado todo mês. 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
• XGBoost
• scikit-learn
• SQL
• MLflow
• Airflow
• Docker
• Git

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