Engenheiro(a) de Machine Learning Sênior (Score de Crédito na Educação)

confidential; United States; Remote; USD 140,000 - 210,000; Full time

Benefits offered by this job

Trabalho remoto total

Flexibilidade

Apoio à saúde

Equipe global

Ambiente colaborativo

Job summary

Sylision procura Engenheiro(a) de Machine Learning Sênior para desenvolver score de crédito na educação, com foco em explainability, justiça algorítmica e calibração de probabilidades, em contexto remoto.

O papel envolve treinar modelos de regressão logística e boosting, tratar vazamento, validar por safra, registrar versões no MLflow e gerar explicações por decisão, respeitando LGPD.

Qualifications

• Modelagem de risco de crédito com regressão logística e boosting.
• Experiência com métricas KS, AUC e PSI.
• Validação por safra e prevenção de vazamento temporal.
• Explicabilidade de modelos e justiça algorítmica.

Responsibilities

• Construir variáveis de pagamento, uso da plataforma e bureau com cuidado contra vazamento.
• Treinar e comparar modelos, calibrar probabilidades e definir pontos de corte.
• Tratar o viés de seleção com inferência de rejeitados e testes de política.
• Validar a estabilidade do modelo por safra e por segmento.
• Gerar explicações por decisão e motivos de recusa compreensíveis.
• Revisar variáveis com a área jurídica para evitar discriminação.
• Monitorar PSI, calibração e inadimplência e agendar retreino.
• Registrar versões no MLflow e documentar o modelo para auditoria.]

Skills

Modelagem de risco de crédito

Regressão logística

Gradient boosting

Python

SQL

Pipelines reprodutíveis

Explicabilidade de modelos

LGPD/privacidade de dados

Tools

MLflow

Airflow

XGBoost

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Sênior (Score de Crédito na Educação). 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:

Uma plataforma de educação financia mensalidades e parcela cursos para quem não pode pagar à vista. A decisão de conceder o parcelamento depende de um score que estime a chance de pagamento, com poucos dados de histórico, já que muitos alunos são jovens e sem vida de crédito. Aprovar demais gera inadimplência, e aprovar de menos tira aluno do curso.

Você vai construir e manter o score: variáveis de comportamento de pagamento, de uso da plataforma e de bureau de crédito, modelos de regressão logística e de boosting, calibração de probabilidade e política de corte. O cuidado com o viés de seleção é decisivo, porque só se conhece o desempenho de quem foi aprovado, e é preciso inferir o que teria acontecido com os recusados.

Há exigências de explicabilidade e de justiça: o aluno recusado precisa receber um motivo compreensível, e variáveis que sirvam de substituto para discriminação ficam fora. Sucesso se mede por KS e AUC estáveis, por calibração, por inadimplência observada contra a prevista e por monitoramento que avisa quando a população muda.

O que você vai fazer:

• Construir as variáveis de pagamento, uso da plataforma e bureau com cuidado contra vazamento
• Treinar e comparar modelos, calibrar probabilidades e definir pontos de corte
• Tratar o viés de seleção com inferência de rejeitados e testes de política
• Validar a estabilidade do modelo por safra e por segmento
• Gerar explicações por decisão e motivos de recusa compreensíveis
• Revisar variáveis com a área jurídica para evitar discriminação indireta
• Monitorar o PSI, a calibração e a inadimplência e agendar o retreino
• Registrar versões no MLflow e documentar o modelo para auditoria

Requisitos:

• Modelagem de risco de crédito, com regressão logística e gradient boosting
• Métricas de desempenho e de estabilidade de modelos, como KS, AUC e PSI
• Validação por safra e prevenção de vazamento temporal
• Python, SQL e pipelines reprodutíveis com orquestração
• Explicabilidade de modelos e noção de justiça algorítmica
• Cuidado com dados pessoais, conforme a LGPD

Diferenciais:

• Inferência de rejeitados e aprendizado com viés de seleção
• Conhecimento da regulamentação de crédito ao consumidor
• Monotonicidade e restrições em modelos de boosting
• Dados alternativos de comportamento para quem não tem histórico

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Cada versão do score tem documento de modelo revisado por outra pessoa e por quem cuida do risco, com os limites de uso descritos. A inadimplência por safra é acompanhada todo mês, e desvio relevante abre uma investigação com prazo. 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
• Regressão logística
• Modelagem de crédito
• MLflow
• SQL
• Airflow
• Explicabilidade

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