Se você tem paixão por inovação e busca trabalhar em um ambiente que promove agilidade, colaboração e desafios, esta pode ser a sua oportunidade!

Para nosso time de Data & AI, buscamos alguém com boa base em Python e SQL, experiência em Machine Learning com modelos em produção e prática com grandes volumes de dados. Além disso, é importante saber traduzir o técnico para o negócio, atuar de forma colaborativa com outras áreas e ter flexibilidade para se adaptar a mudanças de contexto.

Sua missão será amadurecer e produtizar modelos de Machine Learning para a área de prevenção a fraudes financeiras transacionais, com foco em MLOps/deploy e sustentação de modelos em tempo real, garantindo que as soluções escalem para grandes volumes transacionais e gerem impacto mensurável para o negócio.

Atuamos com o modelo remoto/home office.

Responsabilidades e atribuições

Conduzir projetos de Data Science de ponta a ponta, desde a definição e recorte do problema com Produto/Operações até a entrega em produção, acompanhando impacto no negócio e evoluções contínuas da solução.

Projetar, implementar e sustentar pipelines de Machine Learning em produção (batch e online), garantindo confiabilidade, escalabilidade e manutenibilidade em cenários de alto volume e necessidade de resposta rápida.

Gerenciar o ciclo de vida completo dos modelos (experimentação, validação, publicação, monitoramento e iteração), incluindo definição de métricas e rotinas de acompanhamento de data drift e concept drift.

Desenvolver e evoluir sistemas de inferência para diferentes casos de uso (batch e tempo real), trabalhando com trade-offs de arquitetura para suportar paralelização, concorrência e baixa latência.

Otimizar performance ponta a ponta de soluções em produção, atuando sobre latência, throughput e uso de recursos computacionais, com foco em respostas rápidas e processamento de múltiplas requisições simultâneas.

Estruturar e aprimorar práticas de MLOps (infra, deploy e observabilidade), incluindo versionamento de modelos e artefatos, automação de deploy e monitoramento contínuo de performance e saúde do sistema em produção.

Atuar em parceria com Tech Leaders de Engenharia e PMs para desenhar soluções viáveis, alinhar expectativas, comunicar resultados (técnicos e de negócio) e viabilizar a entrega dos sistemas em produção.

Manter-se atualizado(a) em melhores práticas de Data Science aplicada e produtividade em desenvolvimento (incluindo ferramentas de desenvolvimento assistido por IA), avaliando e propondo melhorias que façam sentido para o contexto e qualidade de entrega.

Requisitos e qualificações

Machine Learning: Domínio em algoritmos clássicos (classificação e regressão) voltados para scores de risco, utilizando métodos robustos (XGBoost, LightGBM, Random Forest).

Deploy de Modelos: Experiência em produtizar e manter o funcionamento de modelos machine learning live e batch.

Tempo Real: Vivência com modelos live (via APIs), lidando com cenários de alta concorrência e requisitos de baixa latência.

MLOps: Experiência na gestão e monitoramento de modelos em produção e domínio de frameworks como MLflow.

Manipulação de Big Data: Proficiência em SQL, Python e Spark para análise de grandes conjuntos de dados. Estatística e Experimentação: Conhecimentos em Inferência Estatística e aplicação prática de Testes A/B em problemas de negócio.

Boas Práticas de Código: Familiaridade com práticas de desenvolvimento estruturado e versionamento de código (Git).

Visão de Negócio: Habilidade para comunicar resultados técnicos de forma clara e traduzir métricas estatísticas em impactos práticos para o negócio.

Formação: Graduação completa ou experiência prática equivalente em Ciência da Computação, Engenharia, Estatística, Matemática, Física e/ou correlatas.

Informações adicionais

Diferenciais

Experiência com Databricks (Data Asset Bundles, Model Serving e Online Feature com DynamoDB).

Vivência prévia em fintechs, mercado de pagamentos ou instituições financeiras.

Atuação direta em prevenção a fraudes ou combate a crimes financeiros.

Conhecimento em métricas financeiras voltadas para fraude (Taxa de Aprovação, Chargeback).

Conhecimento de streaming de dados (Kafka, Kinesis) e processamento em tempo real.

Conhecimento em Graph Data Science / Graph Databases (ex: Neo4j, AWS Neptune).

Familiaridade com AWS.Modelo de trabalho

Carga horária de 8h por dia (segunda a sexta-feira)Contratação CLT.