Engenheiro(a) de Machine Learning Sênior (Score de Crédito em Telecom)

confidential; United States; Remote; USD 90,000 - 130,000; Full time

Job summary

Vaga de Engenheiro(a) de Machine Learning Sênior (Score de crédito em telecom) na Sylision. Modelo 100% remoto, contratação CLT ou PJ. Você vai construir e manter modelos de crédito que equilibram aprovação e inadimplência, com foco em KS, AUC e calibração.

O desafio envolve dados de cadastro, uso da linha e histórico de pagamento, validação de safras e monitoramento de deriva. Espera-se domínio de Python, SQL, XGBoost e ferramentas como MLflow ou Airflow, com entrega em produção e documentação

Qualifications

• Modelagem de risco de crédito com KS, AUC e calibração.
• Experiência com Gradient Boosting e regressão logística.
• Validação temporal e análise de estabilidade por safra.
• Pipeline de treino e implantação com MLflow, Airflow ou equivalente.
• SQL e Python de produção.
• Decisão de desenho do modelo e responsabilidade pelo desempenho em produção.

Responsibilities

• Definir a variável alvo, a janela de observação e as safras de desenvolvimento
• Construir variáveis de cadastro, uso da linha e histórico de pagamento
• Treinar modelos e comparar com a regressão logística como linha de base
• Tratar viés de seleção por rejeição de inferência
• Calibrar probabilidades e definir pontos de corte com a área de crédito
• Montar a validação por safra, a estabilidade e o monitoramento de deriva
• Colocar o modelo em produção com versão, registro e resposta em milissegundos
• Documentar o modelo para auditoria e orientar outras pessoas do time

Skills

KS

AUC

Calibração

Interpretação SHAP

Python

SQL

MLflow

Airflow

XGBoost

scikit-learn

Tools

Python

SQL

XGBoost

scikit-learn

MLflow

Airflow

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Sênior (Score de crédito em telecom).

Nível: senior.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

Quando alguém pede uma linha pós-paga ou financia um aparelho em dezoito parcelas, a operadora tem poucos segundos e pouca informação: sem histórico bancário, quase sempre. O score de crédito decide entrada, limite e exigência de caução, e erra de dois jeitos custosos: aprova quem não paga ou recusa quem pagaria. Você vai construir e manter o modelo que equilibra isso.

O desafio está nos dados e na validação. As variáveis vêm de cadastro, de consumo da linha, de pagamento de faturas anteriores e de bureau externo, e a inadimplência só aparece meses depois, o que obriga a trabalhar com safras e janelas de desempenho bem definidas. É preciso tratar a rejeição de inferência, porque o modelo só vê o desfecho de quem foi aprovado, e provar estabilidade ao longo do tempo.

Mede-se por KS e AUC estáveis entre safras, por taxa de inadimplência na faixa aprovada, por calibração das probabilidades e por tempo para retreinar e implantar uma nova versão com validação independente.

O que você vai fazer:

• Definir a variável alvo, a janela de observação e as safras de desenvolvimento
• Construir variáveis de cadastro, uso da linha e histórico de pagamento
• Treinar modelos e comparar com a regressão logística como linha de base
• Tratar viés de seleção por rejeição de inferência
• Calibrar probabilidades e definir pontos de corte com a área de crédito
• Montar a validação por safra, a estabilidade e o monitoramento de deriva
• Colocar o modelo em produção com versão, registro e resposta em milissegundos
• Documentar o modelo para auditoria e orientar outras pessoas do time

Requisitos:

• Modelagem de risco de crédito com métricas como KS, AUC e calibração
• Gradient boosting e regressão lística, com interpretação
• Validação temporal e análise de estabilidade por safra
• Pipeline de treino e implantação com MLflow, Airflow ou equivalente
• SQL e Python de produção
• Decisão de desenho do modelo e responsabilidade pelo desempenhão em produção

Diferenciais:

• Rejeição de inferência e técnicas de reponderação
• Uso de dados alternativos, como padrão de recarga e de uso
• Restrições monotônicas para manter o modelo coerente com o nói de negócio
• Explicabilidade com SHAP para justificar uma recusa
• Experiência em crédito ao consumo no varejo ou em telecom

Como ê trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Todo modelo passa por validação independente antes de ser promovido, e o desempenhão é acompanhado por safra em reunião mensal com crédito. As decisões de corte ficam registradas com a justificativa. 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
• Score de crédito
• XGBoost
• scikit-learn
• MLflow
• Airflow
• SQL
• Monitoramento de modelos

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