Engenheiro(a) de Machine Learning Pleno (Detecção de Fraude em Seguros)

Vaga aberta de Engenheiro(a) de Machine Learning Pleno (Detecção de Fraude em Seguros) . A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision. Nível: pleno. Modelo de trabalho: 100% Remoto. Contratação: tempo integral, CLT ou PJ. Sobre a vaga: Em seguro de automóvel, parte dos sinistros é fraude: dano combinado, peça superfaturada, o mesmo prestador aparecendo em casos que não deveriam ter relação. A equipe de investigação é pequena e só consegue olhar uma fração dos casos, então o modelo precisa entregar uma fila ordenada em que os primeiros itens valham o tempo dos investigadores. Os dados dificultam. O rótulo de fraude chega meses depois, quando a investigação termina, e só existe para os casos que alguém decidiu investigar, o que carrega o viés da própria regra antiga. A fraude representa uma pequena fração dos sinistros, e os fraudadores mudam de padrão assim que são pegos. Relações entre segurado, oficina, perito e placa dizem mais do que cada sinistro isolado, e entram como atributos de grafo. A medida de sucesso é a precisão nos primeiros casos da fila, o valor recuperado ou evitado, o custo dos falsos positivos para o segurado honesto e a estabilidade do modelo ao longo dos meses. O que você vai fazer: Construir features de sinistro, segurado, apólice, prestador e relacionamento entre eles, respeitando o que se sabia na data do aviso Treinar modelos de árvores com tratamento de classe rara e validação temporal Lidar com rótulos atrasados e com viés de seleção, usando amostragem de auditoria quando possível Definir a pontuação e o corte pela capacidade da equipe de investigação e pelo custo de cada erro Colocar o modelo em produção com versionamento, retreino orquestrado e comparação com o modelo anterior Monitorar deriva de dados e queda de desempenho assim que os rótulos amadurecem Gerar o motivo de cada alerta para o investigador entender por que o caso subiu Rever com os investigadores os falsos positivos e os casos perdidos para melhorar o modelo Requisitos: Python, scikit-learn e gradient boosting em problemas com classe rara Validação temporal e entendimento de vazamento de informação SQL para construir atributos a partir de várias tabelas Métricas adequadas a fila de investigação, como precisão no topo e recuperação por volume revisado Noção de implantação e monitoramento de modelo Docker e Git no dia a dia Diferenciais: Atributos de grafo e detecção de comunidades de relacionamento Detecção de anomalias como complemento ao modelo supervisionado Conhecimento do processo de sinistro de automóvel Explicabilidade por alerta, com SHAP ou equivalente Cuidado com decisões automatizadas e a revisão prevista na LGPD Como é trabalhar aqui: Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em Minas Gerais. O modelo é revisado por outra pessoa e apresentado aos investigadores antes de cada mudança de corte. Os resultados, com casos confirmados e falsos positivos, são acompanhados em encontro mensal com a área de prevenção a fraudes. 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 scikit-learn XGBoost MLflow SQL Docker Airflow Git Análise de grafos Seus dados: tratados conforme a LGPD, com remoção a qualquer momento, a pedido. #J-18808-Ljbffr Sylision